.png){kind=icon}
返回
Interactively learning behavior trees from imperfect human demonstrations
.png){kind=icon}
OA
AI
DOI：10.3389/frobt.2023.1152595.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
引言：在交互式任务学习（ITL）中，智能体通过与人指导者的自然交互学习新任务。行为树（BTs）提供了一种反应式、模块化且可解释的任务描述编码方式，但尚未在机器人ITL场景中得到广泛应用。大多数从人类演示中学习BT的现有方法要求用户逐步指定每个动作，或者不允许在不重复整个教学过程的情况下调整已学习的BT。方法：我们提出了一种新框架，直接从仅有的少量人类任务演示（记录为RGB-D视频流）中学习BT。我们自动从视觉特征中提取连续的前置和后置条件用于BT动作节点，并采用Backchaining方法构建反应式BT。在一项关于非专家如何提供和调整演示的用户研究中，我们识别了三种从可能存在缺陷的初始人类演示中学习BT的常见失败情况。我们提供了一种通过用户交互（通过网页界面）来交互式解决这些失败情况的方法。具体而言，在执行已学习BT的过程中自动检测失败情况或未知状态，并根据用户提供输入调整或扩展初始BT。评估与结果：我们在一项涉及20名人类参与者的机器人垃圾处理任务中评估了我们的方法，并证明该方法能够从仅有的少量人类演示中学习反应式BT，并在运行时交互式解决可能的失败情况。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息