Investigating the Generalizability of Assistive Robots Models over Various Tasks

在辅助机器人领域，有效建模的意义得到了广泛认可。以往的研究主要集中在提高模型准确性或收集大量的数据，但这往往不切实际。虽然提高单个模型的准确性有益，但每次新任务和用户交互都需要进行不断的重建。本文研究了不同建模方法的普适性，在使用六种数据驱动回归算法构建辅助外骨骼的动态模型时进行了实验。我们考虑了六个任务，包括横向、纵向、从左腿到右眼的对角线和反向对角线，以及吃饭和推动物品。我们使用不同的回归方法构建了三十六个独特的模型，每个训练模型的性能在交叉验证场景中进行评估，为每个数据集使用五个折叠。然后，这些训练好的模型被测试在未经过训练的其他任务上，最后评估了我们研究中模型的普适性。结果显示，沿水平平面执行的任务模型和基于决策树的算法具有更好的普适性。

研究如何提高辅助机器人建模的泛化能力，减少每个任务和用户交互时需要重新建模的问题。

通过比较六种数据驱动回归算法构建辅助外骨骼的动态模型，并评估其在不同任务和用户上的泛化能力。结果表明决策树算法和水平平面任务模型具有较好的泛化能力。

实验设计包括六种不同的任务，使用了36个不同的模型进行评估，并进行了交叉验证。研究结果展示了不同算法的性能和泛化能力，为辅助机器人建模提供了新的思路。

在这个领域中，一些相关的研究包括：《基于深度学习的辅助机器人动态建模方法》、《使用增量学习提高辅助机器人建模的泛化能力》等。