12、基于预测序列学习的机器人示教学习

基于预测序列学习的机器人示教学习

1. 引言

在机器人示教学习（LFD）领域，预测序列学习（PSL）算法是一种重要的方法。传统的PSL算法在处理高维数据时会遭遇组合爆炸问题，为此提出了模糊预测序列学习（FPSL）算法。FPSL基于模糊逻辑规则库，能在连续状态空间中工作，相比离散状态空间的原始PSL算法，性能有显著提升。

LFD旨在让机器人通过模仿教师的示范动作来学习新行为。这面临着诸多挑战，比如如何实现一个学习算法，使机器人能将教师示范的动作序列进行泛化，从而在动态环境中执行所需行为。LFD问题常被归纳为四个问题：模仿什么、如何模仿、何时模仿以及模仿谁，这进而引出了如何评估模仿效果的大问题。

从模仿层次来看，存在多种不同的模仿级别。Byrne和Russon确定了动作级模仿（复制行为表面）和程序级模仿（复制行为结构）两个层次；Nehaniv和Dautenhahn引入了效果级模仿，以更好描述不同身体结构主体间的模仿；Demiris和Hayes则提出了基本模仿（类似动作级模仿）、功能模仿（对应效果级模仿）和抽象模仿（基于主体内部状态协调而非观察到的行为）三个层次。

在实际的LFD中，考虑模仿层次十分必要。因为两个看起来差异很大的数据序列，可能在抽象层面实现了相似结果，人类会将其视为同一行为的示例，但要找出这些示范之间的相似性却很困难，往往需要特定领域的系统。此外，同一行为的两次示范可能长度不同，研究人员常使用动态时间规整等技术来确定示范的时间对齐。

行为示范给机器人的方式有多种，Argall等人概括为四种：直接记录传感器刺激、关节角度等的身份记录映射；外部观察的非身份记录映射。教师与学生机器人的身体结构可能相同（身份体现）或不同（非身份体现），非