引言：模仿機器人能否很快代替人類從事園藝領域的一些重復性和手動性工作？

本項目將探索使用新的人機交互的軟機器人系統及其在多種觀賞植物半自動繁殖中的應用。它將研究非專業用戶（即沒有技術專長的用戶）的使用方式，機器人通過編程和控制后精通工廠加工。可以在工作中使用機器人，以減輕工人所遇到的重復性，勞動密集型任務的負擔。

下圖展示了使用瑞森可的sawyer協作機械臂進行園藝分揀任務。在這里，必須從植物托盤中取出不健康的植物。這樣做的關鍵是能夠從用戶提供的演示軌跡（青色）進行概括，以確定從先前未見過的位置（紅色）采摘植物的合適軌跡。

為園藝企業招募和保留勞動力的困難形勢比以往任何時候都更加嚴峻。長期以來，將更高水平的機器人技術和自動化視為解決這一挑戰的潛在方法之一，但這只有在我們能夠克服行業提出的一些獨特技術挑戰的情況下才能實現。

諸如托盤灌裝機和播種機之類的某些自動化形式已經很熟悉，無人駕駛拖拉機不只是夢想。在處理農作物本身時，機器人操縱的進度要慢得多。

機器人在具有高度確定性的環境中工作得最好–確切地知道在哪里可以找到機器部件或它可以在多大程度上壓在表面上–但是在植物上很少那么清晰。

新一代的所謂“協作”機器人可以為這類園藝操作提供一些解決方案。協作機器人的設計本質上是安全的，可以與人一起工作，并且其設計目的是使沒有編程背景或任何專業機器人知識的人可以快速，輕松地將他們設置為承擔簡單的任務，并在以后進行重新配置以執行其他工作。

通過“模仿學習”，種植者將執行他們想要的自動化任務，而機器人通過其視覺系統并通過連接到種植者佩戴的“智能手套”中嵌入的傳感器來監視他們的行為。此過程分為三個階段，從用戶執行任務時收集傳感器數據開始-這包括描述運動，相互作用力，視覺記錄，用戶正在處理的對象的位置等的數據。這為機器人提供了大量數據，但在此階段，它實際上只是一串1和0。為了從任務中獲得有用的信息，我們接下來有一個“推理階段”，其中機器人的機器學習算法從原始數據中提取任務信息。這是一種使機器人“理解”用戶從演示中獲得的意圖的方法，因此當遇到特殊情況時，機器人將知道該怎么辦–例如，當鍋放在其前面時，它應該選擇并將其轉移到托盤中。最后，在確定了針對特定情況采取的適當措施后，系統必須將其轉化為行動。系統必須快速，安全且準確地移動才能有效執行所學習的操作。用于協作機器人的現代控制器可以使剛性系統以柔順或“柔和”的方式運行，從而大大降低了與周圍環境發生意外碰撞時所涉及的風險。但是，系統的整體性能確實取決于人員提供給它的數據的質量。雖然模仿學習為如何將人的技能轉移到機器人上提供了一種有前途的機制，但研究的一個重要問題是，諸如種植者等沒有機器人或編程專業知識的人是否能夠成功地向機器人進行演示。在收集階段執行任務時，您是在“教導”機器人，不僅僅是在一種情況下，而且在多種情況下，都展示了機器人如何完成任務。例如，如果您想演示如何拿起一個鍋，您將向機器人展示如何從各個位置拿起一個鍋，從而使它能夠處理鍋可能不完全放在鍋前面的情況。每次都在同一個地方。如果這些學習系統將直接由種植者使用，我們需要能夠指導人們采用良好的教學習慣。最初的研究是與J＆A Growers的志愿者進行的，目的是更好地了解那些不是機器人專家的人如何與機器人系統進行交互。同時還一直在使用可商用的工業協作機器人開發我們的原型系統，并在商用苗圃中進行了試驗。”

參考文獻：

1.Sena A, Zhao Y, Howard M J. Teaching Human Teachers to Teach Robot Learners[C]//ICRA. 2018: 1-7.

2.Sena A, Michael B, Howard M. Improving Task-Parameterised Movement Learning Generalisation with Frame-Weighted Trajectory Generation[J]. arXiv preprint arXiv:1903.01240, 2019.

PbDlib開源框架：

PbDlib是通過演示（從演示中學習）進行機器人編程的源代碼集合。它包括統計學習，動力學系統，微分幾何和最優控制的十字路口上的各種功能。