Lernen von konformen Manipulationen durch kinästhetische und taktile Interaktion zwischen Mensch und Roboter

Robot Learning from Demonstration (RLfD) wurde als ein Schlüsselelement zur Nützlichkeit von Robotern im Alltag identifiziert. Eine Vielzahl von Techniken wurde vorgeschlagen, um ein Aufgabenmodell aus einer Reihe von Demonstrationen der Aufgabe abzuleiten. Die meisten früheren Arbeiten verwenden das Lernen zur Modellierung der Kinematik der Aufgabe, und für die autonome Ausführung verlässt sich der Roboter dann auf einen starren Positionsregler. Während viele Aufgaben auf diese Weise erlernt werden können und wurden, gibt es Aufgaben, bei denen die alleinige Kontrolle der Position nicht ausreicht, um die Ziele der Aufgabe zu erreichen. Dies sind typischerweise Aufgaben, die Kontakt erfordern oder eine spezifische Reaktion auf physikalische Störungen erfordern. Die Frage, wie die Konformität angepasst werden muss, um den Anforderungen der Aufgabe gerecht zu werden, wurde im Robot Learning from Demonstration noch nicht vollständig behandelt. In diesem Papier sprechen wir dieses Problem an und präsentieren Schnittstellen, die es einem menschlichen Lehrer ermöglichen, Konformitätsvariationen durch physikalische Interaktion mit dem Roboter während der Aufgabenausführung anzuzeigen. Wir validieren unseren Ansatz in zwei verschiedenen Experimenten mit den 7 DOF Barrett WAM und KUKA LWR Roboter-Manipulatoren. Darüber hinaus führen wir eine Benutzerstudie durch, um die Benutzerfreundlichkeit unseres Ansatzes aus der Perspektive von Nicht-Robotikern zu bewerten.