Conformalized Teleoperation: Confidently Mapping Human Inputs to High-Dimensional Robot Actions

要約

支援ロボット アームは、多くの場合、人間の遠隔操作者がジョイスティックなどの低次元入力で制御できるよりも高い自由度を持っています。
この課題を克服するために、既存のアプローチはデータ駆動型の方法を使用して、低次元の人間の入力から高次元のロボットの動作へのマッピングを学習します。
ただし、そのようなブラックボックス マッピングが低次元の入力からユーザーの意図した高次元のアクションを自信を持って推測できるかどうかを判断することは、未解決の問題のままです。
私たちの重要なアイデアは、トレーニング時に補助マップを適応させて高次元のアクション分位数をさらに推定し、厳密な不確実性定量化手法によってこれらの分位数を校正することです。
具体的には、時間の経過とともに間隔を調整する適応型等角予測を活用し、マッピングが良好な場合には不確実性の限界を減らし、マッピングが一貫して予測を誤る場合には限界を増やします。
さらに、不確実性の高いユーザー入力とロボットの状態を検出するための不確実性間隔ベースのメカニズムを提案します。
2D 支援ナビゲーション タスクと、支援カップ把握と目標到達を含む 2 つの 7DOF Kinova Jaco タスクにおいて、提案したアプローチの有効性を評価します。
私たちの発見は、等角化された支援遠隔操作が、マッピングのトレーニングデータセット内の多様な好みによって引き起こされる高い不確実性と、低精度の軌道によって引き起こされる高い不確実性を検出できる（ただし区別はしない）ことを示しています。
全体として、私たちはこの研究が、ロボットが自身の不確実性を定量化し、必要に応じて積極的に介入を求めることを可能にするための重要なステップであると考えています。

要約(オリジナル)

Assistive robotic arms often have more degrees-of-freedom than a human teleoperator can control with a low-dimensional input, like a joystick. To overcome this challenge, existing approaches use data-driven methods to learn a mapping from low-dimensional human inputs to high-dimensional robot actions. However, determining if such a black-box mapping can confidently infer a user’s intended high-dimensional action from low-dimensional inputs remains an open problem. Our key idea is to adapt the assistive map at training time to additionally estimate high-dimensional action quantiles, and then calibrate these quantiles via rigorous uncertainty quantification methods. Specifically, we leverage adaptive conformal prediction which adjusts the intervals over time, reducing the uncertainty bounds when the mapping is performant and increasing the bounds when the mapping consistently mis-predicts. Furthermore, we propose an uncertainty-interval-based mechanism for detecting high-uncertainty user inputs and robot states. We evaluate the efficacy of our proposed approach in a 2D assistive navigation task and two 7DOF Kinova Jaco tasks involving assistive cup grasping and goal reaching. Our findings demonstrate that conformalized assistive teleoperation manages to detect (but not differentiate between) high uncertainty induced by diverse preferences and induced by low-precision trajectories in the mapping’s training dataset. On the whole, we see this work as a key step towards enabling robots to quantify their own uncertainty and proactively seek intervention when needed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google