一致性至关重要：在基于示范学习的机器人技术中定义示范数据质量指标

《ACM Transactions on Human-Robot Interaction》：Consistency Matters: Defining Demonstration Data Quality Metrics in Robot Learning from Demonstration

示教学习通过人类示范使机器人掌握新技能，其效果依赖示范数据质量。本研究系统评估运动数据特征对示范一致性的影响，提出预测模型训练成功率和泛化能力的有效性指标。两个用户研究（n=54）验证，示范一致性指标可准确预测任务成功率（70%-89%）和泛化性能（76%-91%）。提出的评估方法无需专家数据或算法修改，为示教学习提供实用质量评价体系。

　　

摘要

通过示范学习（Learning from Demonstration, LfD）技术，机器人能够通过人类的示范来掌握新技能，这使得普通用户也能够教授机器人。然而，学习的成功与否以及泛化能力的高低在很大程度上取决于这些示范的质量。在LfD中，人们通常使用“一致性”来衡量示范的质量，但决定这种一致性的具体因素尚未得到充分研究。在本文中，我们评估了一组全面的运动数据特征，以确定哪些一致性指标能够最好地预测学习效果。通过在训练前确保示范的一致性，我们提高了模型的预测准确性和对新场景的泛化能力。我们通过两项用户研究来验证我们的方法，这些研究的参与者具备不同水平的机器人技术知识。在第一项研究中（N = 24），用户指导PR2机器人在受限环境中完成按按钮的任务；在第二项研究中（N = 30），参与者训练UR5机器人完成拾放任务。研究结果表明，示范的一致性对学习和泛化效果有显著影响：使用我们的一致性指标预测的学习成功率分别为70%和89%；同时，这些指标对泛化性能的预测准确率分别为76%和91%。这些发现表明，我们提出的指标提供了一种直观且实用的方法来评估训练前的示范数据质量，无需依赖专家数据或针对特定算法的修改。我们的方法为评估示范质量提供了一种系统化的途径，填补了LfD领域中的一个关键空白——通过制定一致性指标来提升机器人从人类示范中学习的可靠性。