MoVEInt: 从示范中学习人机交互的变分专家混合模型
内容提要
本文介绍了一种新方法，通过隐马尔可夫模型和变分自编码器学习人机互动，利用人际互动数据预测机器人轨迹，并通过逆运动学调整动作以接近人类期望。实验表明，该方法在人形机器人上具有良好的泛化性能和人性化互动效果。
延伸解读
方法核心：HMM与VAE的结合
MoVEInt通过隐马尔可夫模型（HMM）作为潜在空间先验，结合变分自编码器（VAE）建模互动代理间的联合分布。HMM能捕捉互动中的时序动态，VAE则学习复杂分布，两者结合使模型能从人际互动数据中提取互动动力学，并用于人机互动轨迹预测。
从人到机器人：逆运动学调整
该方法利用人际互动数据预测机器人轨迹后，通过逆运动学调整生成的动作，以确保机器人与人类之间的期望物理接近性。这结合了关节空间学习的便利性和任务空间可达性的准确性，使机器人动作更符合人类期望。
接触互动中的柔顺控制
在富含接触的互动中，MoVEInt利用HMM分割来调节机器人的刚度，实现柔顺互动。这种基于互动阶段的自适应刚度调整，有助于机器人在物理接触中更自然、安全地响应人类，提升互动质量。
泛化性能与用户评价
实验表明，仅用两人数据训练，该方法在不同人类之间仍表现出良好的泛化性能。用户评测结果显示，用户认为该方法更具人性化、及时性和准确性，且优于其他基准方法，验证了其在人形机器人上的有效性。
Q&A
MoVEInt方法是如何学习人机互动的？
MoVEInt方法通过隐马尔可夫模型和变分自编码器，利用人际互动数据来预测机器人轨迹，并通过逆运动学调整动作以接近人类期望。
该方法在人形机器人上的表现如何？
实验表明，该方法在人形机器人上具有良好的泛化性能和人性化互动效果。
用户对MoVEInt方法的反馈如何？
用户评测结果显示，该方法在人性化互动效果上优于其他基准方法，认为其更具人性化、及时性和准确性。
MoVEInt方法的核心技术是什么？
该方法结合了隐马尔可夫模型和变分自编码器，建模互动代理之间的联合分布。
如何通过逆运动学调整机器人的动作？
通过逆运动学，生成的机器人动作被调整以确保与人之间的期望物理接近性。
MoVEInt方法的优势是什么？
该方法在不同人类之间表现出很好的泛化性能，并且在用户评测中显示出更优的人性化互动效果。
