論文の概要: A Personalized Household Assistive Robot that Learns and Creates New
Breakfast Options through Human-Robot Interaction
- arxiv url: http://arxiv.org/abs/2307.00114v1
- Date: Fri, 30 Jun 2023 19:57:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-05 18:02:04.132811
- Title: A Personalized Household Assistive Robot that Learns and Creates New
Breakfast Options through Human-Robot Interaction
- Title（参考訳）: 人間とロボットのインタラクションによって新たなブレークファストオプションを学習し作成する個人化家庭用補助ロボット
- Authors: Ali Ayub, Chrystopher L. Nehaniv and Kerstin Dautenhahn
- Abstract要約: 利用者から個人化された朝食の選択肢を学習できる家庭用補助ロボットの認知アーキテクチャを提案する。
アーキテクチャはまた、学習した知識を使って、長期間にわたって新しい朝食オプションを作成することもできる。
このアーキテクチャは、Fetchモバイルマニピュレータロボットと統合され、概念実証システム評価として検証される。
- 参考スコア（独自算出の注目度）: 9.475039534437332
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For robots to assist users with household tasks, they must first learn about
the tasks from the users. Further, performing the same task every day, in the
same way, can become boring for the robot's user(s), therefore, assistive
robots must find creative ways to perform tasks in the household. In this
paper, we present a cognitive architecture for a household assistive robot that
can learn personalized breakfast options from its users and then use the
learned knowledge to set up a table for breakfast. The architecture can also
use the learned knowledge to create new breakfast options over a longer period
of time. The proposed cognitive architecture combines state-of-the-art
perceptual learning algorithms, computational implementation of cognitive
models of memory encoding and learning, a task planner for picking and placing
objects in the household, a graphical user interface (GUI) to interact with the
user and a novel approach for creating new breakfast options using the learned
knowledge. The architecture is integrated with the Fetch mobile manipulator
robot and validated, as a proof-of-concept system evaluation in a large indoor
environment with multiple kitchen objects. Experimental results demonstrate the
effectiveness of our architecture to learn personalized breakfast options from
the user and generate new breakfast options never learned by the robot.
- Abstract（参考訳）: ロボットがユーザーを助けるためには、まずユーザーからタスクについて学ぶ必要がある。
さらに、同じタスクを毎日同じ方法で行うことは、ロボットのユーザにとって退屈になるため、アシストロボットは家庭内でタスクを実行するための創造的な方法を見つけなければならない。
本稿では,家庭用補助ロボットの認知的構造について紹介し,利用者からパーソナライズされた朝食の選択肢を学習し,学習知識を用いて朝食のテーブルを設定する。
アーキテクチャは学習した知識を使って、長期間にわたって新しい朝食オプションを作成することもできる。
提案した認知アーキテクチャは、最先端の知覚学習アルゴリズム、メモリエンコーディングと学習の認知モデルの計算的実装、家庭内のオブジェクトの選択と配置のためのタスクプランナー、ユーザと対話するためのグラフィカルユーザインタフェース(GUI)、学習知識を用いて新しい朝食オプションを作成する新しいアプローチを組み合わせる。
このアーキテクチャはfetchモバイルマニピュレータロボットと統合され、複数のキッチンオブジェクトを備えた大規模屋内環境における概念実証システムの評価として検証される。
実験の結果,ロボットが学習しなかった朝食を,ユーザから学習し,新たな朝食を生成できる,という効果が実証された。
関連論文リスト
- Interactive Continual Learning Architecture for Long-Term
Personalization of Home Service Robots [11.648129262452116]
本研究では,人間とロボットのインタラクションを通じて,家庭環境における意味的知識の連続学習のための対話型連続学習アーキテクチャを開発する。
このアーキテクチャは、人間の新しい知識を効率的かつリアルタイムに学習するための学習と記憶のコア認知原則に基づいている。
論文 参考訳（メタデータ） (2024-03-06T04:55:39Z) - Learning Reward Functions for Robotic Manipulation by Observing Humans [92.30657414416527]
我々は、ロボット操作ポリシーのタスク非依存報酬関数を学習するために、幅広い操作タスクを解く人間のラベル付きビデオを使用する。
学習された報酬は、タイムコントラストの目的を用いて学習した埋め込み空間におけるゴールまでの距離に基づいている。
論文 参考訳（メタデータ） (2022-11-16T16:26:48Z) - Don't Forget to Buy Milk: Contextually Aware Grocery Reminder Household
Robot [8.430502131775722]
本稿では、ロボットが家庭の個人化された文脈知識を学習できる計算アーキテクチャを提案する。
アーキテクチャは学習した知識を使って、長い間、家から失ったアイテムの予測を行うことができる。
このアーキテクチャは、Fetchモバイルマニピュレータロボットと統合され、大規模な屋内環境で検証される。
論文 参考訳（メタデータ） (2022-07-19T03:38:43Z) - TAILOR: Teaching with Active and Incremental Learning for Object
Registration [18.941458386996544]
本稿では,アクティブかつインクリメンタルな学習を伴うオブジェクト登録のための方法とシステムであるTAILORを提案する。
我々は,KUKAロボットを用いた実世界のギアボックス組立作業で使用される新しい物体を自然対話で学習する手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-05-24T01:14:00Z) - iRoPro: An interactive Robot Programming Framework [2.7651063843287718]
iRoProを使うと、技術的背景がほとんど、あるいは全くないユーザーが、ロボットに新しい再利用可能なアクションを教えることができる。
バクスター研究ロボット上で,iRoProをエンドツーエンドシステムとして実装する。
論文 参考訳（メタデータ） (2021-12-08T13:53:43Z) - Functional Task Tree Generation from a Knowledge Graph to Solve Unseen
Problems [5.400294730456784]
人間とは異なり、ロボットは創造的に新しいシナリオに適応できない。
知識グラフの形で存在する知識は、タスクツリーを作成するための参照の基盤として使用される。
提案手法は, 未確認成分の組み合わせであっても, 高精度にタスクプランを作成できることが示唆された。
論文 参考訳（メタデータ） (2021-12-04T21:28:22Z) - Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。
本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。
我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
論文 参考訳（メタデータ） (2021-09-19T18:00:51Z) - What Can I Do Here? Learning New Skills by Imagining Visual Affordances [128.65223577406587]
提案手法は,ロボットが可利用性の視覚的表現を学習する上で,どのような結果が得られるかを示す。
実際、事前データは、ロボットが不慣れな状況に遭遇したとき、そのモデルから潜在的な結果をサンプリングするように、どのような結果が得られるかを学ぶのに使用される。
本稿では, VAL(visuomotor affordance learning)を用いて, 生画像入力で動作する目標条件付きポリシーの学習を行う。
論文 参考訳（メタデータ） (2021-06-01T17:58:02Z) - Actionable Models: Unsupervised Offline Reinforcement Learning of
Robotic Skills [93.12417203541948]
与えられたデータセットの任意の目標状態に到達するために学習することによって、環境の機能的な理解を学ぶ目的を提案する。
提案手法は,高次元カメラ画像上で動作し,これまで見つからなかったシーンやオブジェクトに一般化した実ロボットの様々なスキルを学習することができる。
論文 参考訳（メタデータ） (2021-04-15T20:10:11Z) - Visionary: Vision architecture discovery for robot learning [58.67846907923373]
低次元動作入力と高次元視覚入力の相互作用を検出するロボット操作学習のための視覚に基づくアーキテクチャ探索アルゴリズムを提案する。
提案手法は,タスクのトレーニング中にアーキテクチャを自動設計する - イメージ特徴表現をアクションと組み合わせ,参加する新しい方法と,それ以前のレイヤの機能とを組み合わせて発見する。
論文 参考訳（メタデータ） (2021-03-26T17:51:43Z) - Cognitive architecture aided by working-memory for self-supervised
multi-modal humans recognition [54.749127627191655]
人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。
ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。
1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
論文 参考訳（メタデータ） (2021-03-16T13:50:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。