机器人动作执行中可解释模型的表示与基于经验的学习

基于摘要分析。该研究面向以人为中心环境中的机器人动作执行，探讨如何让机器人在依据经验改善执行表现的同时，能够推理并解释执行决策。核心贡献是将描述动作成功条件的定性关系模型与连续 Gaussian process 模型结合，并通过教师监督的学习过程更新执行知识。 在表示层面，关系模型以定性属性描述动作能够成功执行的条件；连续模型则用于生成动作执行参数，并评估给定参数化方案的预期执行成功情况。该联合表示以预先建模的动作知识为基础，因此并非完全从零学习。摘要未说明教师反馈的具体形式、两类模型之间的信息交互方式，以及解释如何生成和评估，这些机制尚需全文核对。 作者报告，在抓取把手和拉动桌面物体两类动作实验中，联合关系—连续模型使机器人能够通过经验改善执行，同时降低执行中所经历失败的严重程度。摘要未提供成功率、失败严重程度的定义、试验次数、对照基线或统计结果，因此尚不能量化收益，也不能据此判断其对其他动作和环境的泛化能力；实验协议、消融及统计信息尚未验证。 本文的主要研究对象是机器人动作知识表示与执行学习，并非 EEG 解码或 BCI。现有材料未提供与神经信号建模的具体机制对应关系，不据此推导其在 BCI 中的有效性。复现前需核对动作先验、定性属性定义、Gaussian process 的输入输出、教师监督流程及失败评估标准；代码和数据可用性尚未验证。