HABIT: Human-Aware Behavior and Interaction Training Dataset for Robot Manipulation
该论文介绍了 HABIT，这是一个包含超过 10,000 个有人类参与的机器人操纵片段的大规模数据集，这些片段被组织为协作者（Collaborator）、同伴（Coworker）和监督者（Supervisor）三种角色，使策略能够学习传统无人类参与数据集中所缺失的关键人类感知行为，如同步、让步和手势对齐。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下你正在教一个机器人做家务。如今大多数机器人的训练场景都是“鬼城”模式：它们在没有人类存在的空房间里练习搬运箱子、擦桌子和分类垃圾。它们能把物理动作做得非常出色，但却完全不知道当一个人站在旁边时该如何行动。它们可能会撞到你、忽略你的手势，或者在你还在拿着工具时就试图去抓取它。
这篇论文介绍了一个名为 HABIT（人类意识行为与交互训练）的新数据集，旨在解决这个问题。请不要仅仅将 HABIT 视为一个机器人动作库，而应将其视为一个舞步库，在这里，机器人和人类伙伴正在学习如何共同起舞。
三种“舞蹈风格”
研究人员将任务组织成三种不同的角色，就像不同的舞蹈流派一样，以此来教机器人如何处理不同的社交情境：
协作伙伴（探戈）：
- 场景： 人类和机器人必须在同一时间对同一个物体进行协作。
- 类比： 想象两个人正合力把一张沉重的沙发搬上楼梯。如果其中一个人移动得太快或太慢，就会摔倒。在这个角色中，机器人学会了在人类抬起一个角之前等待，或者在人类伸手去拿工具的准确时刻递过去。这关乎的是同步性。
- 例子： 人类将餐巾纸放在托盘上，机器人随后举起托盘提供协助。
同事（康加舞队列）：
- 场景： 人类和机器人在同一个房间内执行不同的任务，但共享同一个空间。
- 类比： 想象两个人在一个小厨房里做饭。一个人在切菜，另一个人在搅拌锅里的食物。他们虽然没有接触，但必须互相避让，以免碰撞。机器人学会了在人类走进其路径时让路（侧身避让），而不是径直向前冲。
- 例子： 人类在桌子的一侧分类垃圾，而机器人在另一侧打包箱子，两者不断地互相避让。
监督者（指挥家）：
- 场景： 人类给出指令，机器人跟随执行。
- 类比： 想象一位指挥家挥动指挥棒来告诉管弦乐队何时开始演奏。机器人学会了观察人类的手部和眼神。如果人类指向一个特定的甜甜圈，机器人不会只是抓取它看到的第一个，而是会看向手指指向的位置，并抓取那个特定的甜甜圈。它学会了手势落地（gesture grounding）。
- 例子： 人类指向一个特定的容器，机器人将面包放入其中。
他们是如何收集数据的
为了确保机器人确实学到了这些社交技能，研究人员并没有让机器人和人类随机玩耍。他们使用了一套严格的“剧本”（称为工作流），迫使人类和机器人实时对彼此做出反应。
- 没有“作弊码”： 人类操作员不能预判机器人下一步要做什么。他们必须等待机器人移动后才做出反应，反之亦然。这确保了机器人学习的是对实际人类信号的响应，而不是记忆模式。
- 安全第一： 如果机器人看起来即将撞到人类，人类操作员会立即将机器人拉回。这教会了机器人“停止”是一个有效且重要的动作。
测试结果如何？
研究人员使用了两个现有的机器人大脑（AI模型），并在这种全新的 HABIT 数据上进行了训练。他们将这些“经过 HABIT 训练”的机器人与仅在旧有的“鬼城”数据上训练的机器人进行了对比。
- 结果： 经过 HABIT 训练的机器人表现显著更好。
- 在同事角色中，它们不再撞到人类。
- 在监督者角色中，它们真的会看向人类指引的方向，而不是盲目猜测。
- 在协作伙伴角色中，它们能完美地配合人类的时机进行动作。
- “超能力”： 最有趣的发现是样本效率。当他们尝试教这些经过 HABIT 训练的机器人一个从未见过的新任务时，它们学习的速度更快（使用的示例更少），就像是 HABIT 教会了机器人“礼貌与察言观色”的概念，这使得学习具体的家务事变得更加容易。
核心结论
论文指出，为了让机器人在我们的家庭和办公室中发挥作用，它们不能仅仅拥有力量和精准度；它们必须具备社交意识。通过在人类真实存在并进行互动的环境下训练机器人，我们得到的机器人不仅是在我们周围工作，而是在与我们一起工作。
局限性： 作者承认这项研究是在受控实验室中进行的，使用的是特定类型的机器人和有限数量的人类操作员。虽然他们改变了人类的衣着和体型以测试适应性，但现实世界中的环境比他们的设置要复杂得多。然而，核心观点依然成立：机器人需要看到人类，才能学会如何成为优秀的伙伴。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。