Plusieurs démonstrations deviennent une compétence généralisable en identifiant invariants, variations pertinentes et représentation de la tâche, puis en testant des situations distinctes. La généralisation se mesure par scénario.
L’apprentissage par démonstration permet à un robot d’apprendre une tâche en observant un humain, puis de reproduire l’intention avec ses propres capteurs et limites.
Une démonstration robotique devient exploitable quand elle est enregistrée avec le contexte, les gestes utiles et des mesures qui permettent au robot de les rejouer.
Une correction humaine pendant l’apprentissage indique au robot qu’une action ou une trajectoire doit être modifiée, plutôt que de laisser l’erreur se répéter.
Un humain corrige un apprentissage par démonstration en signalant l’erreur, en guidant une alternative ou en annotant le résultat, sans laisser la correction contourner les limites.
Une démonstration humaine se représente par l’état du robot, l’action, le contexte, les objets, les repères et le résultat, pas par une vidéo seule.
Plusieurs démonstrations sont nécessaires pour séparer l’intention de la tâche des variations humaines, des erreurs et des situations particulières.
Une politique apprise par démonstration se vérifie en simulation puis sur robot à énergie limitée, avec contraintes, scénarios inconnus et possibilité d’arrêt.