面向机器人辅助进食的序列化食物获取策略学习
机器人学
2023-10-18 v2 计算机视觉与模式识别
摘要
提供用餐辅助的机器人必须运用各种餐具执行专门操作，以拾取并喂食多种食物。除这些灵巧的底层技能外，辅助机器人还须在长时序上规划这些策略的组合，以清空餐盘并完成一餐。现有机器人辅助进食方法引入了高度专门化的食物处理原语，却缺乏将其组合的手段；与此同时，已有的长时序操作方法缺乏将高度专门化原语嵌入其框架的灵活性。我们提出 Visual Action Planning OveR Sequences (VAPORS)，一种用于长时序食物获取框架。VAPORS 通过在仿真中利用学习到的潜在餐盘动力学来学习高层动作选择策略。为在真实世界中执行序列计划，VAPORS 将动作执行委托给视觉参数化原语。我们在涉及面条获取与双手舀取软糖的复杂真实世界获取试验中验证了该方法。在 38 个餐盘上，VAPORS 比基线方法获取效率高得多，能泛化到带配料和酱汁等真实餐盘差异，并在一项涵盖 49 人的调查中定性地契合用户进食偏好。代码、数据集、视频与补充材料见我们的网站：https://sites.google.com/view/vaporsbot。
引用
@article{arxiv.2309.05197,
title = {Learning Sequential Acquisition Policies for Robot-Assisted Feeding},
author = {Priya Sundaresan and Jiajun Wu and Dorsa Sadigh},
journal= {arXiv preprint arXiv:2309.05197},
year = {2023}
}