从人与人的互动中学习机器人行为

人类互动时，会自然调整行为以配合对方，例如双手配合完成握手。同理，机器人若要与人类自然互动，也需理解并适应人类行为。以往研究多关注反应式机器人行为，未考虑社会规范、人类意图及个人偏好。为实现更自然的人机交互（HRI）体验，瓦尔斯·马斯卡罗与李开发了一种框架，通过观察人类互动来学习合适的社交行为。该模型在大型人类互动动作数据集上进行训练，涵盖舞蹈、物品传递、握手等互动场景。随后，通过人体到机器人的动作重定向算法，学习相应的机器人行为。

当人类伸手握手时，机器人需识别该手势为握手，伸出末端执行器（如手部）进行握手，并调整动作以与人类手部相接。互动描述、自身意图及社交意图这些因素被用于定义互动的动作序列。作者随后开发了迭代优化流程，在每个时间步自适应调整个体及互动动作偏差。具体而言，当机器人与人类距离较远时，优先采用模仿学习的动作；距离较近时，则优先优化末端执行器轨迹以实现更有效的互动。以握手为例，该优化流程能确保比人类矮的机器人在双方靠近时，调整末端执行器位置以接住人类的手。

该框架在模拟人机交互场景和配备摄像头以检测人体姿态的真实TIAGo++人形机器人上进行了评估。尽管框架在模拟中实现了高质量互动，但姿态估计的不准确性（在人类靠近摄像头时更为严重）导致了模拟与现实结果的差距。不过，当从远处开始握手时，机器人能自主调整末端执行器位置以匹配人类身高，证明了该框架的有效性及其产生更自然人机交互的潜力。