基于元学习模式识别与自适应控制的人机交互
该研究提出一种基于元学习的人机交互框架，用神经网络替代人工设定的切换阈值来识别人类意图，并引入控制器中依赖力的参数，使被动模式识别率从90.1%提升至99.1%、主动模式从79.8%提升至97.1%。框架还包含自适应元学习控制器以补偿人类扰动并在线适应变化的交互力，以及多轨迹元学习算法联合学习环境基表示与依赖力的参数，以处理未建模动态。实验称该框架在实现鲁棒控制的同时提供了可靠的模式识别。
发布于 10-22 12:59来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Human-Robot Interaction via Meta-Learning Based Mode Recognition and Adaptive Control》查看原链
在人机交互（HRI）任务中，人类可能以主动引导或被动跟随的状态与机器人交互，导致每种交互模式具有不同的控制目标。 现有方法大多依赖预定义的切换阈值来区分交互模式，但其性能对测量噪声敏感。 为解决这一局限，我们提出一种新框架，主要贡献如下。 第一，开发了一种通过元学习训练的神经网络（NN），无需人工定义阈值即可识别人类意图。
通过成功引入控制器中依赖力的参数，被动模式的识别率从90.1%提升至99.1%，主动模式从79.8%提升至97.1%。 第二，引入自适应元学习控制器，以补偿人类扰动并实现对变化交互力的在线适应。 第三，设计了一种多轨迹元学习算法，联合学习环境基表示和依赖力的参数，使控制器能够高效处理未建模动态。
实验结果表明，所提框架实现了鲁棒且精确的控制性能，同时为安全、自适应的物理人机交互提供了可靠的模式识别。