LOPAL：一种基于本地性能感知的主动学习方法，适用于不完美的示范内容

《IEEE Robotics and Automation Letters》：LOPAL: Local Performance-Aware Active Learning from Imperfect Demonstrations

　　

摘要：

通过示范学习（LfD）技术，机器人能够直接从人类任务演示中学习，从而实现直观的技能获取。然而，现有方法往往未能考虑到人类行为可能存在不足或不一致的问题，导致每次演示的质量各不相同。因此，我们提出了LOPAL（Local Performance-aware Active Learning，即基于局部性能感知的主动学习）方法，该方法利用了这种局部演示质量信息。我们的方法包含两个协同工作的组成部分：首先，一种基于局部性能的LfD方法使用高斯混合模型（GMM）来编码演示轨迹及其相关的局部质量评估，从而利用高质量的局部数据生成优于不完美演示的轨迹；其次，通过主动数据采集可以收集更多有用样本，进一步提升性能。在数据不足的区域，系统会通过共享自主性（SA）机制主动请求用户提供修正意见，同时机器人自动执行已学习的行为。LOPAL的有效性已在仿真和真实世界实验中得到验证。实际管道检测任务的结果表明，该方法能够使任务性能提升27.31%，同时减少了收集演示数据所需的努力。