A Biologically Inspired Program-level Imitation Approach for Robots: Proof-of-Concept
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
For social robots to succeed in places such as homes, they must learn new skills from various people and act in a manner desirable to different users. We introduce a novel biologically inspired approach for robot learning through program-level imitation, inspired by the way primates, including humans, understand and perform complex actions. Our approach enables robots to discover the hierarchical structure of tasks by identifying sequential regularities and sub-goals from diverse human demonstrations. To do so, human-provided demonstrations, which can be obtained by a robot through different modalities (such as kinesthetic teaching, behavioural observation, and verbal instruction), are processed by an algorithm that discovers multiple possibilities for arranging observed sub-goals to achieve a final goal. Prior to acting, the available sequences are evaluated based on user-defined criteria, through mental simulation of the task by the robot, to find the optimal sequence of actions. As a proof-of-concept, we implemented our system on an iCub humanoid robot and present here how our method allowed the robot to adapt its action sequences for task execution when starting the task from different states, incorporating user preference for finishing the task as fast as possible. Our envisaged system is meant to accommodate variations in human teaching styles and is expected to help a robot perform tasks with greater flexibility and efficiency. This work contributes by proposing a framework for robots to learn from humans at an abstract level, opening the way to more adaptable and intelligent robotic assistants in everyday tasks.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle