个性化家庭辅助机器人:通过人机交互学习和创建新的早餐选择
本研究介绍了一种计算架构,结合了感知学习算法、记忆编码和学习的认知模型、预测缺失物品的推理模块和图形用户界面,并与 Fetch 移动机器人集成验证,以通过与用户的互动学习个性化上下文知识及长期预测家庭中缺失的物品。实验结果表明,机器人可以通过与用户的互动适应环境,还可以使用所学的知识在数周内正确预测缺失物品,并且对感官和感知错误具有强健性。
Jul, 2022
我们结合了持续学习、语义推理和交互式机器学习的思想,并通过人机交互开发了一种新型的交互式持续学习架构,用于在家庭环境中不断学习语义知识。我们将该架构与一个物理移动机器人集成,并在实验室环境中进行了两个月的广泛系统评估。结果表明,我们的架构能够使物理机器人能够根据用户提供的有限数据不断适应环境的变化,并利用所学知识执行物体获取任务。
Mar, 2024
此研究旨在通过迁移学习方法以及基于语言模型的状态空间共同嵌入来提高服务机器人从之前学习中寻找相似方法,以解决家庭服务机器人学习新任务精度低的问题。实验结果表明,基于语义相似性从众多源任务中选择相似任务是非常有效的,并且对于避免遗忘问题可以通过更改更新策略来解决。
Jan, 2023
我们提出了一种具有注意机制的预测性循环神经网络,可以对感知输入进行加权,区分每种模态的重要性和可靠性,实现快速高效的感知和动作生成,通过学习示范训练后,机器人可以获得类似人类的技能,验证了这种技术在烹饪未知食材的鸡蛋过程中的可行性。
Sep, 2023
为满足弱势群体(如老年人、儿童和残障人士)在日常任务中对辅助技术的需求,提供适应他们多样化需求的基于人工智能的先进辅助解决方案的研究依然稀缺。为了填补这一空白,我们定义了一个重要而新颖的挑战 —— 智能帮助,旨在为残障人士提供主动且适应性支持,以应对各种任务和环境中的动态目标。通过利用 AI2-THOR 构建一个新的交互式 3D 真实家庭环境,我们引入了一个创新的对手建模模块,用于精确理解主要代理人的能力和目标,以优化辅助代理人的辅助策略。严格的实验验证了我们模型组件的有效性,并展示了我们整体方法在对比基准的优越性。我们的研究结果展示了人工智能辅助机器人在改善弱势群体的福祉方面的潜力。
Apr, 2024
本研究着眼于探究如何通过先前与特定人的互动,从少量样例中学习用户偏好以个性化地协助家务清理,并通过大型语言模型(LLM)的 few-shot summarization 能力进行推断,融合基于语言的计划和感知,以便在未来的交互中普遍适用。
May, 2023
介绍了一种符号认知架构 CASPER,运用定性空间推理来实现智能机器人理解他人意图并协作完成任务的目的。通过模拟的厨房环境测试表明,机器人可以识别正在进行的目标并适当地协作完成任务。这是一个新型的定性空间关系应用于人机交互意图读取问题的方法。
Sep, 2022
对话式目标识别框架(Dialogue for Goal Recognition)通过询问关于噪声传感器数据和次优人类行动的澄清问题,使机器人能够纠正其对人类进展的信念,评估了 D4GR 在厨房和堆积领域的性能,结果显示 D4GR 框架在目标准确性方面比 HTN 高出 1%,在计划准确性方面比 HTN 高出 4-2%,比始终询问的预测模型在目标识别和计划识别方面表现更好,且比基线少问了 68% 的问题,文章还在厨房领域展示了一个真实世界机器人情景,验证了 D4GR 在现实环境中改进的计划和目标识别能力。
Oct, 2023