FLAIR：通过长期获取真实餐盘来喂食

机器人辅助喂食有望提高 inability to feed themselves 独立喂食者的生活质量。然而，存在较大差距，即无论是 homogeneous 还是精心挑选的餐盘，喂食系统都能处理，而且 truly in-the-wild 的餐食则极具挑战性。喂食真实餐盘极具挑战性，因为机器人可能遇到各种食物项目，每种都需要 specialized manipulation 策略，并必须在长时间尺度上对这些策略进行排序才能喂食整顿餐。喂食系统不仅应能有效地对不同策略进行排序以喂食整顿餐，还要考虑到用户偏好，因为该任务具有 personalized 性质。我们通过 FLAIR 实现了这一目标，这是一个基于 foundation 模型的长期喂食系统，能够利用常识和 few-shot reasoning 能力，结合 parameterized skills 库来规划和执行 user-preferred 且高效的 bite 序列。在真实世界的评估中，我们在 6 盘真实餐中发现， FLAIR 能够有效地利用 skills 库进行高效食物获取，同时遵守 42 名无 mobility 限制者的多样化偏好。我们展示了 FLAIR 与现有 bite transfer 方法 [19, 28] 的无缝集成，并在 2 个机构和 3 个机器人上部署，显示出其适应性。最后，我们通过成功喂食一位严重 mobility 限制者来说明了该系统的实际效果。补充材料和视频可在：https://emprise.cs.cornell.edu/flair 查看。