智能制造机器人示范学习研究进展

机器人从演示中学习(LfD)越来越被视为支持智能制造过程的核心技术之一，如组装、部件处理和检测等。允许机器人从人类操作员提供的演示中“学习”执行任务的方法和框架是避免传统“硬编码”的一种方式，传统的“硬编码”既耗时又通常需要机器人编程方面的专业知识。这一点尤其重要，因为许多制造业现在正朝着更短的产品生命周期发展，这依赖于生产线的快速适应。另一方面，将人工智能技术集成到机器人系统的过程正在逐步发生;这一智能机器人自动化过程是基于机器学习和计算机视觉技术的结合，旨在实现交互式智能协作机器人。

目前，LfD在工业制造中的应用大多采用动觉教学，即人类操作员通过物理移动执行器来教机器人，演示所需的运动和动作。然而，要让学习型机器人能够发挥其潜力，它们的能力应该超越简单和无意识的动作复制。理想情况下，他们会真正理解手头的任务，从其最终目标、构成子任务与周围环境相关状态之间的因果关系等方面理解任务。这不仅可以极大地促进LfD在制造场景中的适用性，而且还可以实现与人类操作员的真正协作，因为高级任务理解是实现联合行动的关键基石。

在信息物理人类系统范式的范围内，本研究主题旨在为工程师、数据科学家、研究人员和从业者提供一个论坛，展示与支持机器人LfD系统和智能制造过程框架的算法和方法相关的创新研究。它涵盖了该领域的所有方面，从更传统的低水平轨迹演示的进步，到“模仿”人类智能学习的高级任务理解和目标推断，从而提高人机协作的协同性。在性能评估和基准数据集方面的评论文章和创新作品也被征求。潜在的兴趣主题包括但不限于以下内容:
●通过观察学习
●一次性学习
●协作式机器人学习
●主动学习制造
●动觉教学
●高效的数据标注
●语义场景理解
●智能制造中的迁移学习算法
●知识泛化
●基于机器人的数字双胞胎
●人机界面

关键字:机器人学习、主动学习、计算机视觉、机器学习、人机界面

重要提示:所有对本研究主题的贡献必须在其所提交的章节和期刊的范围内，如其使命声明中所定义的那样。雷竞技rebat在同行评审的任何阶段，Frontiers保留将超出范围的稿件引导到更合适的章节或期刊的权利。