实现数据驱动人-机器人交互中错误感知的零样本学习

数据驱动的社会模仿学习是一种最低监督的方法，可为人-机器人交互生成机器人行为。然而，这种基于学习的方法容易出错。现有的HRI错误检测方法依赖数据标注，使其不适用于数据驱动范式。我们提出了一种无需标注数据的零样本错误检测策略。我们使用人类交互数据学习正常人类行为的模型，然后使用这些模型提取有助于区分人类对机器人错误异常反应的特征。在这个特征空间中，我们将错误检测框定为一个新异性检测任务，利用人类交互数据以无监督方式学习非错误交互的模型。然后，我们将拟合的新异性检测器应用于HRI数据以识别错误的机器人行为。我们表明，我们的方法在错误检测上获得了0.497的平均精度，优于无监督基线方法和训练数据有限的有监督方法。