人类偏好的迁移学习用于装配任务中机器人的主动协助

我们专注于使机器人能够通过适应人类偏好的动作顺序来主动协助人类完成装配任务。机器人适应性的现有工作通常需要人类演示任务。然而，现实世界装配的人类演示可能既繁琐又耗时。因此，我们提出从较短的正则任务中的演示学习人类偏好，以预测实际装配任务中的用户动作。所提出的系统使用从正则任务中学到的偏好模型作为先验，并在预测不准确时通过交互更新模型。我们在一个模拟装配任务和一项真实人-机器人装配研究中评估了所提出的系统，结果表明从正则任务迁移偏好模型以及在线更新模型都有助于提高人类动作预测的准确性。这使得机器人能够主动协助用户，显著减少他们的空闲时间，并改善他们与机器人协作的体验，相比反应式机器人效果明显。