Incremental Learning for Robot Shared Autonomy

要約

共有された自律性は、支援ロボットアームの使いやすさとアクセシビリティを改善することを約束しますが、現在の方法は、多くの場合、高価な専門家のデモンストレーションに依存しており、事前トレーニング後も静的であり続け、現実世界のバリエーションを処理する能力を制限します。
広範なトレーニングデータがあっても、予期せぬ課題、特に予期しない障害や空間的制約などのタスクのダイナミクスを根本的に変更する課題は、支援ポリシーを破壊し、無効または信頼できない支援につながります。
これに対処するために、ILSAを提案します。ILSAは、事前に収集されたデータの範囲を超えて実際の課題に適応するために、ユーザーのやり取りを通じて支援ポリシーを継続的に改良する段階的に学習された共有された自律フレームワークです。
ILSAの中核は、事前知識を維持しながら限られた新しい相互作用データを効果的に統合し、適応と一般化のバランスを確保することにより、各相互作用の継続的な改善を可能にする構造化された微調整メカニズムです。
20人の参加者を抱えるユーザー調査では、ILSAの有効性が示されており、タスクの完了が速くなり、静的な代替品と比較してユーザーエクスペリエンスが向上しています。
コードとビデオはhttps://ilsa-robo.github.io/で入手できます。

要約(オリジナル)

Shared autonomy holds promise for improving the usability and accessibility of assistive robotic arms, but current methods often rely on costly expert demonstrations and remain static after pretraining, limiting their ability to handle real-world variations. Even with extensive training data, unforeseen challenges–especially those that fundamentally alter task dynamics, such as unexpected obstacles or spatial constraints–can cause assistive policies to break down, leading to ineffective or unreliable assistance. To address this, we propose ILSA, an Incrementally Learned Shared Autonomy framework that continuously refines its assistive policy through user interactions, adapting to real-world challenges beyond the scope of pre-collected data. At the core of ILSA is a structured fine-tuning mechanism that enables continual improvement with each interaction by effectively integrating limited new interaction data while preserving prior knowledge, ensuring a balance between adaptation and generalization. A user study with 20 participants demonstrates ILSA’s effectiveness, showing faster task completion and improved user experience compared to static alternatives. Code and videos are available at https://ilsa-robo.github.io/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google