Learning Task Specifications from Demonstrations as Probabilistic Automata

要約

ロボット システムのタスクを指定するには、従来、コーディングの専門知識、専門分野の深い知識、および多大な時間の投資が必要でした。
デモンストレーションから学ぶことは有望な代替手段を提供しますが、既存の方法は長期的なタスクに苦戦することがよくあります。
この制限に対処するために、タスク構造と専門家の好みをデモンストレーションから直接取得する、確率的決定論的有限オートマトン (PDFA) を学習するための計算効率の高いアプローチを導入します。
私たちのアプローチは、サブ目標とその一時的な依存関係を推測し、ドメインの専門家が簡単に理解して調整できる、解釈可能なタスク仕様を生成します。
オブジェクト操作タスクを含む実験を通じてこの方法を検証し、変化する条件に適応しながらロボット アームがさまざまな専門家の戦略を効果的に複製できることを示します。

要約(オリジナル)

Specifying tasks for robotic systems traditionally requires coding expertise, deep domain knowledge, and significant time investment. While learning from demonstration offers a promising alternative, existing methods often struggle with tasks of longer horizons. To address this limitation, we introduce a computationally efficient approach for learning probabilistic deterministic finite automata (PDFA) that capture task structures and expert preferences directly from demonstrations. Our approach infers sub-goals and their temporal dependencies, producing an interpretable task specification that domain experts can easily understand and adjust. We validate our method through experiments involving object manipulation tasks, showcasing how our method enables a robot arm to effectively replicate diverse expert strategies while adapting to changing conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google