在约束规划的空域中着色：规划约束的个人化
机器人学
2025-05-22 v1 机器学习
摘要
通用机器人必须在野外进行个人化，以满足长期用户的多样化需求和偏好。我们如何在不牺牲安全性或专业性的前提下实现灵活的个人化？本文提出了「线框着色」（CBTL）方法，利用规划约束问题（CSP）的空域进行个人化。CBTL 以确保安全和专业行为的 CSP 生成器为起点，然后通过从在线交互中学习参数化约束来逐步实现个人化行为。通过量化不确定性并利用规划约束的组合性，CBTL 实现了样本高效的适应，无需环境重置。我们在（1）三个多样化的仿真环境中；（2）一个基于网页的用户研究中；（3）一个真实机器人助理喂食系统中进行评估，发现 CBTL 在与基线相比，更少的交互次数就实现了更有效的个人化。我们的结果表明，CBTL 提供了一种统一且实用的持续、灵活、主动且安全的机器人个人化方法。网站：https://emprise.cs.cornell.edu/cbtl/
引用
@article{arxiv.2505.15503,
title = {Coloring Between the Lines: Personalization in the Null Space of Planning Constraints},
author = {Tom Silver and Rajat Kumar Jenamani and Ziang Liu and Ben Dodson and Tapomayukh Bhattacharjee},
journal= {arXiv preprint arXiv:2505.15503},
year = {2025}
}