Interactive Continual Learning Architecture for Long-Term Personalization of Home Service Robots

为了让机器人在非结构化的家庭环境中执行辅助任务，它们必须学习和推理环境的语义知识。尽管语义推理架构的开发出现了复苏，但这些方法假定所有的训练数据都是先验可用的。然而，每个用户的环境都是独特的，而且随着时间的推移可能会继续改变，这使得这些方法不适合个性化的家庭服务机器人。虽然持续学习的研究开发了可以学习和适应时间的方法，但大多数这些方法都是在静态图像数据集上进行物体分类的狭窄背景下进行测试的。在本文中，我们结合了持续学习、语义推理和交互式机器学习文献的思想，开发了一种新的交互式持续学习架构，通过人机交互在家庭环境中持续学习语义知识。该架构基于学习和记忆的核心认知原理，可以高效地、实时地从人类那里学习新知识。我们将我们的架构与物理移动机械臂机器人集成，并在实验室环境中进行了两个月的广泛系统评估。我们的结果表明，我们的架构可以使物理机器人不断适应用户（实验者）提供的有限数据中环境的变化，并利用学习到的知识执行物体获取任务。

本文旨在解决机器人在非结构化家庭环境中进行辅助任务时，需要学习和推理环境的语义知识，但现有方法假设所有训练数据都是先验的，不适用于个性化家庭服务机器人。

本文结合了持续学习、语义推理和交互式机器学习的思想，提出了一种新的交互式持续学习架构，通过人机交互实现家庭环境中的语义知识的持续学习和适应。

本文提出的架构可以让机器人从用户提供的有限数据中不断适应环境变化，并用所学知识执行物体获取任务。实验使用了一个物理移动机械臂机器人进行测试，并在两个月的实验中进行了广泛的系统评估。

最近的相关研究包括持续学习、语义推理和交互式机器学习领域的研究。例如，论文《Continual Learning in Neural Networks》、《Interactive Machine Learning: A Review and Reflection》等。