知识卡片：从人类书写演示学习类人机器人运动轨迹与类人度评估

一句话结论

本文提出一个从人类演示中学习机器人运动轨迹的框架，生成的轨迹在21人用户评估中获得71.50/100的整体类人评分（SD=22.56），表明大多数轨迹被感知为“更像人类”；同时发布了包含3142条手写字母轨迹的开源数据集，作为可复现基准。

事件概述或研究问题

研究问题：机器人如何通过观察和模仿人类动态来发展运动技能，从而减少对显式编程的依赖？本文将“类人运动”视为人机信任与自然协作的关键因素，提出一个包含数据采集、概率轨迹学习和感知用户评估的完整学习框架。

方法/产品要点

数据采集：22名参与者通过触摸屏遥操作界面书写52种拉丁字母大小写组合，共3142条演示；记录平面位置、接触力、时间信息。
学习框架：基于GMM（高斯混合模型）/GMR（高斯混合回归），引入力和归一化时间维度，并改造以处理非连续、多段轨迹，使轨迹能跨演示泛化。
感知评估：21名参与者使用在“机器人感”与“人类感”之间连续取值的量表评估生成轨迹；量表归一化为0–100，50为中性中点。
开源基准：摘要说明数据集已开放，可用于开发与评估类人机器人运动方法。

主要结果或产业意义

生成轨迹整体类人评分为71.50（标准差22.56），提示多数轨迹被认为更接近人类运动。
参与者认为几何位置和轨迹顺序是影响类人感知的最主要因素，并对类人机器人行为持积极态度。
产业意义：该框架为机器人技能学习、人机协作中的自然运动生成提供了可复现的评测入口；但摘要未提及具体产品化或真实机器人部署，相关产业落地情况待核实。

与既有脉络的关系

已有相关卡片分别涉及ergoCub人形机器人的人机协作、无人机SDF建图与运动规划、以及机器人操作中的组合泛化学习。本条不重复这些技术路径，而是补充一个更基础的“运动学习+类人感知”视角：以手写字母为任务，量化生成轨迹“有多像人类”。增量信息主要包括：3142条开源手写轨迹、将力与归一化时间加入GMM/GMR的建模方式，以及对类人感知的连续量表用户评估。

为什么重要

LfD提供了一种“发展式”的机器人技能获取思路：机器人通过观察和模仿人类动作学习，减少每一步都需要显式编程。类人运动不只是风格问题，更是建立信任、实现自然人机协作的关键。该文把运动生成与人的主观感知评估结合起来，并公开数据基准，有助于后续研究在统一任务上比较不同轨迹学习方法。

局限与不确定性

以下内容在现有材料中未充分披露，均待核实：

摘要未提供与传统GMM/GMR基线的量化对比、统计显著性检验或不同字母/大小写轨迹的细分评分。
用户研究仅报告21人总体评分与标准差，未说明参与者构成、评分者信度以及50分中性点附近的分布情况。
数据来自触摸屏遥操作，是否等价于真实机器人物理演示、是否在实体机器人上验证，摘要未说明。
数据集的具体许可证、下载地址与评测指标实现方式，摘要未说明。

可用于图书/PPT/简报的角度

以“手写字母”作为LfD的微缩任务：52种大小写组合覆盖连续与非连续、单段与多段轨迹。
“机器人感—人类感”连续量表可作为主观人机交互评估的案例。
将力与归一化时间维度引入GMM/GMR，可作为轨迹表示扩展的教学示例。
开源数据集为比较不同类人运动生成算法提供了可复现的实验基础。

原始材料

英文标题：Robot Learning from Human Demonstrations: Handwritten Alphabet Trajectories and Human-Likeness Evaluation
英文关键词（基于标题与摘要整理）：Robot Learning from Demonstration; Human-Like Motion; Gaussian Mixture Model; Gaussian Mixture Regression; Trajectory Evaluation; Human-Robot Interaction
作者：Alperen Kenan, Paul Bremner, Manuel Giuliani
arXiv ID：2608.06221v1（cs.RO; cs.HC; cs.LG）
发布时间：2026-08-06
原始来源：https://arxiv.org/abs/2608.06221v1
PDF：https://arxiv.org/pdf/2608.06221v1
原始摘要（英文）：Learning from demonstration (LfD) provides a developmental framework through which robots can develop motor skills by observing and imitating human dynamics, reducing reliance on explicit programming to teach a skill to a robot. The resulting human-like robot motion is recognised as a key factor in building trust and enabling natural collaboration in human-robot interaction. This paper presents a framework for learning human-like robot motion from demonstration, including data collection, probabilistic trajectory learning, and perceptual user evaluation. A dataset of 3,142 handwriting demonstrations was collected from 22 participants across all 52 Latin alphabet character-case combinations via a touchscreen teleoperation interface, capturing planar position, contact force, and timing. Building on the widely used Gaussian Mixture Model and Gaussian Mixture Regression approach for learning from demonstration, the framework is extended in this work by incorporating force and normalised time dimensions to enable richer representation of human dynamics, and adapting it to handle non-continuous, multi-segment trajectories, enabling generalisation across demonstrations. A user study with 21 participants evaluated the perceived human-likeness of the generated trajectories using a continuous scale anchored between robotic and human-like motion, normalised to 0-100 where 50 represents the neutral midpoint. The generated trajectories achieved an overall human-likeness score of 71.50 (SD=22.56), indicating that the majority of trajectories were perceived as more human-like. Participants identified geometric positioning and trajectory sequence as the most influential perceptual factors, and reported positive attitudes toward human-like robot behaviour. The datasets are released as open-source, providing a reproducible benchmark for developing and evaluating human-like robot motion methods.