Robot Learning from Human Demonstrations: Handwritten Alphabet Trajectories and Human-Likeness Evaluation
作者: Alperen Kenan, Paul Bremner, Manuel Giuliani
分类: cs.RO, cs.HC, cs.LG
发布日期: 2026-08-06
备注: 9 pages, 7 figures, 4 tables, accepted for presentation at the IEEE International Conference on Development and Learning (ICDL) 2026, Kyoto, Japan, 15-18 September 2026
💡 一句话要点
提出基于人类示范的机器人学习框架以提升人类相似性
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 机器人学习 人类示范 轨迹学习 人机交互 高斯混合模型 数据集开源 人类相似性
📋 核心要点
- 现有的机器人学习方法往往依赖于显式编程，缺乏灵活性和人类相似性，限制了人机协作的自然性。
- 本文提出了一种新的框架，通过引入力和时间维度，增强了对人类动态的表示能力，并支持多段轨迹的学习。
- 实验结果表明，生成的轨迹在感知人类相似性方面得分为71.50，显示出显著的改进，参与者对人类相似的机器人行为持积极态度。
📝 摘要（中文）
学习示范（LfD）为机器人提供了一种通过观察和模仿人类动态来发展运动技能的框架，从而减少对显式编程的依赖。本文提出了一种从示范中学习人类相似机器人运动的框架，包括数据收集、概率轨迹学习和感知用户评估。研究收集了3142个手写示范数据，涵盖52个拉丁字母的所有字符组合。通过扩展高斯混合模型和高斯混合回归的方法，本文引入了力和归一化时间维度，以更丰富地表示人类动态，并适应非连续的多段轨迹。用户研究显示生成的轨迹在感知人类相似性方面得分为71.50，表明大多数轨迹被认为更具人类特征。数据集已开源，为开发和评估人类相似机器人运动方法提供了可重复的基准。
🔬 方法详解
问题定义：本文旨在解决现有机器人学习方法在运动技能学习中缺乏人类相似性和灵活性的问题，尤其是在处理复杂的手写轨迹时的不足。
核心思路：通过引入力和归一化时间维度，扩展传统的高斯混合模型和高斯混合回归方法，以更全面地捕捉人类的动态特征，并适应非连续的多段轨迹。
技术框架：该框架包括数据收集、轨迹学习和用户评估三个主要模块。数据收集通过触摸屏界面进行，轨迹学习采用概率模型，用户评估则通过感知实验进行。
关键创新：最重要的创新在于引入了力和时间维度，使得模型能够更丰富地表示人类的运动特征，并且能够处理非连续的轨迹，这在现有方法中是较为少见的。
关键设计：在技术细节上，模型使用了高斯混合模型的参数设置，并设计了适应多段轨迹的损失函数，确保生成的轨迹能够在多个维度上与人类示范相匹配。
🖼️ 关键图片
📊 实验亮点
实验结果显示，生成的轨迹在感知人类相似性方面得分为71.50（标准差为22.56），大多数参与者认为这些轨迹更具人类特征。参与者指出几何位置和轨迹顺序是影响感知的主要因素，表明该方法在提升人类相似性方面具有显著效果。
🎯 应用场景
该研究的潜在应用领域包括人机协作、教育机器人、艺术创作等，能够提升机器人在复杂任务中的表现，使其更自然地与人类互动。未来，随着技术的进步，该框架可能在更多实际场景中得到应用，如智能家居、医疗辅助等。
📄 摘要（原文）
Learning from demonstration (LfD) provides a developmental framework through which robots can develop motor skills by observing and imitating human dynamics, reducing reliance on explicit programming to teach a skill to a robot. The resulting human-like robot motion is recognised as a key factor in building trust and enabling natural collaboration in human-robot interaction. This paper presents a framework for learning human-like robot motion from demonstration, including data collection, probabilistic trajectory learning, and perceptual user evaluation. A dataset of 3,142 handwriting demonstrations was collected from 22 participants across all 52 Latin alphabet character-case combinations via a touchscreen teleoperation interface, capturing planar position, contact force, and timing. Building on the widely used Gaussian Mixture Model and Gaussian Mixture Regression approach for learning from demonstration, the framework is extended in this work by incorporating force and normalised time dimensions to enable richer representation of human dynamics, and adapting it to handle non-continuous, multi-segment trajectories, enabling generalisation across demonstrations. A user study with 21 participants evaluated the perceived human-likeness of the generated trajectories using a continuous scale anchored between robotic and human-like motion, normalised to 0-100 where 50 represents the neutral midpoint. The generated trajectories achieved an overall human-likeness score of 71.50 (SD=22.56), indicating that the majority of trajectories were perceived as more human-like. Participants identified geometric positioning and trajectory sequence as the most influential perceptual factors, and reported positive attitudes toward human-like robot behaviour. The datasets are released as open-source, providing a reproducible benchmark for developing and evaluating human-like robot motion methods.