Uncertainty-Aware Shared Autonomy System with Hierarchical Conservative Skill Inference

要約

ロボットが人間とワークスペースを共有して学習する共有自律模倣学習により、訪問されていない状態での正しい動作や、専門家の修正による複雑なエラーの効果的な解決が可能になります。
しかし、人間の判断ミスや介入の遅れに伴うリスクを考慮せずに、デモを主導するには人間の継続的な注意と監督が必要です。
これにより、デモンストレーターが極度に疲労し、さらなるエラーが発生する可能性があります。
この研究では、ロボットが環境の不確実性を考慮し、専門家のデモンストレーションと修正から学習して保守的なタスクスキルを推測できるようにする、不確実性を認識した共有自律システムを提案します。
一般化とスケーラビリティを強化するために、より抽象的なレベルで動作する階層構造ベースのスキル不確実性推論フレームワークを導入します。
これをロボットの動作に適用して、より安定したインタラクションを促進します。
共有自律システムは、最近の研究で高度な結果を示し、重要な役割を果たしていますが、具体的なシステム設計の詳細は依然としてわかりにくいままです。
この論文では、さまざまなロボット構成を考慮した自律共有システムの詳細な設計提案を提供します。
さらに、干渉のある動的な環境であっても、注湯およびピックアンドプレイスのタスクを通じて操作スキルを学習するシステムの機能を実験的に実証します。
私たちのコードは間もなくリリースされる予定です。

要約(オリジナル)

Shared autonomy imitation learning, in which robots share workspace with humans for learning, enables correct actions in unvisited states and the effective resolution of compounding errors through expert’s corrections. However, it demands continuous human attention and supervision to lead the demonstrations, without considering the risks associated with human judgment errors and delayed interventions. This can potentially lead to high levels of fatigue for the demonstrator and the additional errors. In this work, we propose an uncertainty-aware shared autonomy system that enables the robot to infer conservative task skills considering environmental uncertainties and learning from expert demonstrations and corrections. To enhance generalization and scalability, we introduce a hierarchical structure-based skill uncertainty inference framework operating at more abstract levels. We apply this to robot motion to promote a more stable interaction. Although shared autonomy systems have demonstrated high-level results in recent research and play a critical role, specific system design details have remained elusive. This paper provides a detailed design proposal for a shared autonomy system considering various robot configurations. Furthermore, we experimentally demonstrate the system’s capability to learn operational skills, even in dynamic environments with interference, through pouring and pick-and-place tasks. Our code will be released soon.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google