[论文解读] A survey of robot learning from demonstrations for Human-Robot Collaboration

Jangwon Lee|arXiv (Cornell University)|Oct 24, 2017

Robot Manipulation and Learning参考文献 30被引用 21

一句话总结

本综述探讨了人机协作（HRC）中的机器人示范学习（LfD），重点关注沟通、交互式学习及复杂任务获取。研究提出，有效的HRC不仅需要技术层面的LfD方法，还需以人为本的设计，以减少人机交互中的不确定性，关键进展包括意图识别、主动学习，以及深度学习在复杂任务学习中的新兴应用。

ABSTRACT

Robot learning from demonstration (LfD) is a research paradigm that can play an important role in addressing the issue of scaling up robot learning. Since this type of approach enables non-robotics experts can teach robots new knowledge without any professional background of mechanical engineering or computer programming skills, robots can appear in the real world even if it does not have any prior knowledge for any tasks like a new born baby. There is a growing body of literature that employ LfD approach for training robots. In this paper, I present a survey of recent research in this area while focusing on studies for human-robot collaborative tasks. Since there are different aspects between stand-alone tasks and collaborative tasks, researchers should consider these differences to design collaborative robots for more effective and natural human-robot collaboration (HRC). In this regard, many researchers have shown an increased interest in to make better communication framework between robots and humans because communication is a key issue to apply LfD paradigm for human-robot collaboration. I thus review some recent works that focus on designing better communication channels/methods at the first, then deal with another interesting research method, Interactive/Active learning, after that I finally present other recent approaches tackle a more challenging problem, learning of complex tasks, in the last of the paper.

研究动机与目标

• 通过关注超越技术性动作复制的人本因素，弥合人机协作（HRC）任务中机器人示范学习（LfD）的空白。
• 识别并分析HRC中的挑战，包括人类意图的不确定性、沟通障碍，以及对直观、用户友好教学界面的需求。
• 探讨交互式与主动学习方法如何提升协作环境中教学效率与机器人自主性。
• 考察将深度学习与序列建模（如HMMs）应用于从示范中学习复杂、多子任务协作行为的可行性与局限性。
• 倡导跨学科合作，以设计新型学习框架，整合机器人感知、人类理解与自适应知识传递。

提出的方法

• 调研HRC中LfD的近期文献，按沟通方式、交互式学习策略及复杂任务学习技术对方法进行分类。
• 分析利用非语言线索（如注视、手势、面部表情）的沟通框架，以提升人机之间的相互理解。
• 回顾交互式/主动学习方法，其中机器人通过提问或重新定位来减少教学过程中的模糊性。
• 研究隐马尔可夫模型（HMMs）及其他序列模型，以从示范中分解并学习复杂协作任务。
• 通过评估当前因缺乏大规模、多样化示范数据集而导致的局限性，评估深度学习在HRC中的潜力。
• 提出机器人行为应设计为可读且可预测，以增强人类信任与协作，而非仅模仿人类动作。

实验结果

研究问题

• RQ1 如何通过改进人机沟通来降低协作任务中LfD过程的不确定性？
• RQ2 非语言线索与可读的机器人行为在提升HRC中相互理解方面发挥什么作用？
• RQ3 主动或交互式学习方法如何提升协作环境中教学机器人的效率与鲁棒性？
• RQ4 从人类示范中学习复杂、多子任务协作行为的主要挑战是什么？
• RQ5 多大程度上可将深度学习技术应用于HRC的LfD？当前限制其采用的主要障碍是什么？

主要发现

• 有效的HRC不仅依赖于动作复制，还需关注意图、情绪与信任等人类因素，这些因素对自然协作至关重要。
• 非语言沟通线索（如注视、面部表情、手势）显著增强了人机交互中的相互理解，并减少了模糊性。
• 交互式/主动学习方法（如机器人提问或重新定位以获取信息）可提升教学效率，并在模糊情境中减少错误。
• 尽管基于HMM的方法在建模任务动态与子任务分解方面展现出潜力，但由于人类示范的高变异性，学习复杂协作任务仍具挑战。
• 由于缺乏针对不同机器人形态与任务配置的大规模、多样化示范数据集，深度学习技术在HRC LfD中的应用仍有限。
• 单纯模仿人与人之间的互动模式未必能产生最优的机器人行为，因为机器人具有独特的物理形态与能力，需量身定制的意图表达与知识适配。