面向最小干扰人机任务的分层人-运动预测和逻辑-几何规划
Hierarchical Human-Motion Prediction and Logic-Geometric Programming for Minimal Interference Human-Robot Tasks
摘要：
在本文中，我们解决的问题，人与机器人协调的操作任务序列。我们的方法将分层人体运动预测与任务和运动规划（TAMP）集成在一起。我们首先设计了一个分层的运动预测方法相结合的逆强化学习和短期运动预测使用递归神经网络。在第二步中，我们提出了一个动态版本的TAMP算法逻辑几何规划（LGP）。我们的动态LGP版本定期重新扫描，以处理人类运动预测和实际人类行为之间的不匹配。我们通过训练预测算法并在公开的MoGaze数据集上测试框架来评估该方法的有效性。
英文摘要：
In this paper, we tackle the problem of human-robot coordination in sequences of manipulation tasks. Our approach integrates hierarchical human motion prediction with Task and Motion Planning (TAMP). We first devise a hierarchical motion prediction approach by combining Inverse Reinforcement Learning and short-term motion prediction using a Recurrent Neural Network. In a second step, we propose a dynamic version of the TAMP algorithm Logic-Geometric Programming (LGP). Our version of Dynamic LGP, replans periodically to handle the mismatch between the human motion prediction and the actual human behavior. We assess the efficacy of the approach by training the prediction algorithms and testing the framework on the publicly available MoGaze dataset.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
