Design and Evaluation of an Uncertainty-Aware Shared-Autonomy System with Hierarchical Conservative Skill Inference

要約

共有自律模倣学習により、人間はロボットをリアルタイムで修正でき、共変量シフトエラーを緩和できます。
しかし、既存のアプローチは、2つの重要な要因を無視します。（i）オペレーターの認知負荷と（ii）遅延または誤った介入によって生じるリスク。
不確実性を認識した共有自動システムを提示します。このシステムでは、ロボットが潜在スペースのスキルの不確実性の学習された推定に従ってその動作を調節します。
階層的なポリシーは、まず保守的なスキルの埋め込みを行い、次に低レベルのアクションにデコードし、不確実性が高いときに自動的に減速しながら迅速なタスクの実行を可能にします。
URシリーズアームなどのマルチコンフィギュレーションマニピュレーターと互換性のある、完全なオープンソースのVR-Teleoperationパイプラインについて詳しく説明します。
注ぎや場所のタスクに関する実験は、動いているターゲットを伴う動的なシーンで70〜90％の成功を示しており、定性的研究では、非保守的なベースラインと比較して衝突イベントの著しい削減を示しています。
不確実性を分離する専用のアブレーションは、安全性とコスト上の理由でハードウェアでは非現実的ですが、報告された安定性とオペレーターワークロードの利益はすでに設計を検証し、将来の大規模な研究を動機付けています。

要約(オリジナル)

Shared-autonomy imitation learning lets a human correct a robot in real time, mitigating covariate-shift errors. Yet existing approaches ignore two critical factors: (i) the operator’s cognitive load and (ii) the risk created by delayed or erroneous interventions. We present an uncertainty-aware shared-autonomy system in which the robot modulates its behaviour according to a learned estimate of latent-space skill uncertainty. A hierarchical policy first infers a conservative skill embedding and then decodes it into low-level actions, enabling rapid task execution while automatically slowing down when uncertainty is high. We detail a full, open-source VR-teleoperation pipeline that is compatible with multi-configuration manipulators such as UR-series arms. Experiments on pouring and pick-and-place tasks demonstrate 70-90% success in dynamic scenes with moving targets, and a qualitative study shows a marked reduction in collision events compared with a non-conservative baseline. Although a dedicated ablation that isolates uncertainty is impractical on hardware for safety and cost reasons, the reported gains in stability and operator workload already validate the design and motivate future large-scale studies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google