Training Human Teacher to Improve Robot Learning from Demonstration: A Pilot Study on Kinesthetic Teaching
Notice bibliographique
Résumé
Robot Learning from Demonstration (LfD) allows robots to implement autonomous manipulation by observing the movements executed by a demonstrator. As such, LfD has been established as a key element for useful user interactions in everyday environments. Kinesthetic teaching, a teaching technique within LfD, entails physically guiding the robot to achieve a task. When demonstrating complex actions on a multi-DoF manipulator, novice users typically encounter difficulties with trajectory continuity and joint orientation, necessitating training by an expert. A comparison between different training approaches is conducted in a study of nine novice users. These approaches are kinesthetic, observational and discovery-learning. The kinesthetic method utilizes record and playback functions implemented on a 7-DoF Barrett Technology WAM robot. A novice user passively holds the arm while an expert's trajectory is replayed. A visual demonstration by the expert is used for the observational training group. The discovery-learning group does not receive an expert demonstration; they use trial-and-error to produce the trajectory on their own. Task-space performance is evaluated pre- and post-training for each user to determine the relative and absolute performance improvements of the groups across the three training approaches. Absolute performance improvements are compared to the performance of an expert and a minimum-jerk trajectory to gauge how skillful the participant becomes with respect to the expert. The kinesthetic approach shows superior indicators of performance in trajectory similarity to the minimum-jerk trajectory with 39% and 13% improvement over the observational and discovery methods, respectively. Observational training shows greater improvement in terms of the smoothness of the velocity profile with 32.7% compared to 29.5% and 21.9% for both discovery and kinesthetic training, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».