机器人需要能够从用户学习概念,以便将其功能调整到每个用户的唯一任务。但是当机器人在高维输入上运行时,如图像或点云,这是不切实际的:机器人需要一种不切实际的人类努力来学习新概念。为了解决这一挑战,我们提出了一种新方法,其中机器人学习概念的低维变体,并使用它来生成更大的数据集,用于在高维空间中学习概念。这使得只有在训练时间等地访问的语义上有意义的特权信息,如对象姿势和边界框,这允许更丰富的人类交互来加速学习。我们通过学习介词概念来评估我们的方法,这些概念描述了对象状态或多对象关系,如上面,近,近或对齐,这是用户规范任务目标和机器人的执行约束的关键。使用模拟人类,我们表明,与直接在高维空间中的学习概念相比,我们的方法可以提高样本复杂性。我们还展示了学习概念在7 DOF法兰卡熊猫机器人上的运动规划任务中的效用。
translated by 谷歌翻译