یادگیری ربات از معلمان انسانی ۲۰۲۲
Robot Learning from Human Teachers 2022

یادگیری از طریق نمایش (LfD) به بررسی فنون یادگیری یک رویهٔ وظیفه از طریق نمونه‌های ارائه شده توسط یک آموزگار انسانی می‌پردازد. حوزهٔ LfD در طول ۳۰ سال گذشته به مجموعه‌ای گسترده از مقالات علمی تبدیل شده است، که طیف وسیعی از رویکردها را برای رمزگذاری نمایش‌های انسانی و مدل‌سازی مهارت‌ها و وظایف در بر می‌گیرد. به علاوه، اخیراً شاهد تمرکز بر جمع‌آوری داده‌ها از آموزگاران انسانی غیرمتخصص (به این معنی که متخصصان حوزه هستند اما متخصص رباتیک نیستند) بوده‌ایم. در این کتاب، ما مقدمه‌ای بر این حوزه ارائه می‌دهیم که بر چالش‌های فنی منحصربه‌فرد مرتبط با طراحی ربات‌هایی که از آموزگاران انسانی ساده‌لوح یاد می‌گیرند، تمرکز دارد. در مقدمه، با یکپارچه‌سازی اصطلاحات گوناگونی که در مقالات علمی دیده می‌شود و همچنین طرحی از انتخاب‌های طراحی که در طراحی یک سیستم LfD وجود دارد، شروع می‌کنیم. فصل ۲ مروری مختصر بر مقالات روان‌شناسی ارائه می‌دهد که بینش‌هایی از یادگیری اجتماعی انسانی ارائه می‌کند که برای طراحی یادگیرندگان اجتماعی رباتیک مرتبط هستند. فصل ۳ یک تعامل LfD را گام‌به‌گام بررسی می‌کند، و انتخاب‌های طراحی و رویکردهای پیشرفته در کارهای قبلی را مورد بررسی قرار می‌دهد. ابتدا، انتخاب ورودی است، اینکه آموزگار انسانی چگونه با ربات تعامل می‌کند تا نمایش‌ها را ارائه دهد. سپس، انتخاب تکنیک مدل‌سازی است. در حال حاضر، یک دوگانگی در این زمینه بین رویکردهایی وجود دارد که مهارت‌های حرکتی سطح پایین را مدل‌سازی می‌کنند و آن‌هایی که وظایف سطح بالا متشکل از اقدامات ابتدایی را مدل‌سازی می‌کنند. ما یک فصل را به هر یک از این موارد اختصاص می‌دهیم. فصل ۷ به رویکردهای یادگیری تعاملی و فعال اختصاص دارد که به ربات اجازه می‌دهد یک مدل وظیفهٔ موجود را اصلاح کند. و در نهایت، فصل ۸ بهترین شیوه‌ها را برای ارزیابی سیستم‌های LfD ارائه می‌دهد، با تمرکز بر چگونگی رویکرد به آزمایش‌ها با افراد انسانی در این حوزه.

Learning from Demonstration (LfD) explores techniques for learning a task policy from examples provided by a human teacher. The field of LfD has grown into an extensive body of literature over the past 30 years, with a wide variety of approaches for encoding human demonstrations and modeling skills and tasks. Additionally, we have recently seen a focus on gathering data from non-expert human teachers (i.e., domain experts but not robotics experts). In this book, we provide an introduction to the field with a focus on the unique technical challenges associated with designing robots that learn from naive human teachers. We begin, in the introduction, with a unification of the various terminology seen in the literature as well as an outline of the design choices one has in designing an LfD system. Chapter 2 gives a brief survey of the psychology literature that provides insights from human social learning that are relevant to designing robotic social learners. Chapter 3 walks through an LfD interaction, surveying the design choices one makes and state of the art approaches in prior work. First, is the choice of input, how the human teacher interacts with the robot to provide demonstrations. Next, is the choice of modeling technique. Currently, there is a dichotomy in the field between approaches that model low-level motor skills and those that model high-level tasks composed of primitive actions. We devote a chapter to each of these. Chapter 7 is devoted to interactive and active learning approaches that allow the robot to refine an existing task model. And finally, Chapter 8 provides best practices for evaluation of LfD systems, with a focus on how to approach experiments with human subjects in this domain.