Human-Agent Joint Learning for Efficient Robot Manipulation Skill Acquisition

采用远程操作系统收集演示，可以更有效地学习机器人操作技能。然而，通过远程操作系统远程操作配备灵巧手或夹具的机械臂存在重大挑战，因为其维度高、动作复杂，且与生理结构不同。在本研究中，我们介绍了一种新颖的人机联合学习系统，使人类操作员能够与学习辅助代理共享机器人末端执行器的控制，从而促进了人类演示收集和机器人操作教学的同时进行。在这种设置中，随着数据的积累，辅助代理逐渐学习。因此，需要的人类努力和注意力较少，提高了数据收集过程的效率。它还允许人类操作员调整控制比例，以实现手动和自动控制之间的权衡。我们在模拟环境和物理实际环境中进行了实验。通过用户研究和定量评估，可以明显看出，所提出的系统可以提高数据收集效率，减少人类适应的需要，同时确保收集到的数据质量足以用于下游任务。视频可在https://norweig1an.github.io/human-agent-joint-learning.github.io/上获得。

论文试图提出一种新的系统，通过人机共同控制机器人末端执行器，实现同时收集人类演示数据和机器人操作教学，以提高机器人操作学习的效率。

通过引入一个学习型辅助代理，实现人类操作员和机器人末端执行器的共同控制，从而实现数据的同时收集和学习。

论文通过在模拟环境和现实世界中进行实验，证明了该系统可以提高数据收集的效率，并减少人类适应的需要，同时确保收集到的数据足够质量用于下游任务。论文提供了视频和代码，值得进一步研究。

最近的相关研究包括使用深度学习进行机器人操作学习，以及使用远程操作进行演示数据收集。其中代表性的论文包括：Deep Reinforcement Learning for Robotic Manipulation, Learning Dexterous In-Hand Manipulation和Teleoperation with Intelligent Assistive Robotics: A Learning-Based Approach。