論文の概要: FLAIR: Feeding via Long-horizon AcquIsition of Realistic dishes

• arxiv url: http://arxiv.org/abs/2407.07561v1
• Date: Wed, 10 Jul 2024 11:38:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-11 16:51:55.719157
• Title: FLAIR: Feeding via Long-horizon AcquIsition of Realistic dishes
• Title（参考訳）: FLAIR:リアルな料理の長距離摂取による食事
• Authors: Rajat Kumar Jenamani, Priya Sundaresan, Maram Sakr, Tapomayukh Bhattacharjee, Dorsa Sadigh,
• Abstract要約: FLAIRは、基礎モデルの常識と少数ショット推論能力を活用する、長期給餌システムである。 現実的な6つのプレートの実際の評価では、FLAIRは効率的な食品のピックアップのために、様々なスキルのライブラリーを効果的に活用できることがわかった。
• 参考スコア（独自算出の注目度）: 23.72810526053693
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Robot-assisted feeding has the potential to improve the quality of life for individuals with mobility limitations who are unable to feed themselves independently. However, there exists a large gap between the homogeneous, curated plates existing feeding systems can handle, and truly in-the-wild meals. Feeding realistic plates is immensely challenging due to the sheer range of food items that a robot may encounter, each requiring specialized manipulation strategies which must be sequenced over a long horizon to feed an entire meal. An assistive feeding system should not only be able to sequence different strategies efficiently in order to feed an entire meal, but also be mindful of user preferences given the personalized nature of the task. We address this with FLAIR, a system for long-horizon feeding which leverages the commonsense and few-shot reasoning capabilities of foundation models, along with a library of parameterized skills, to plan and execute user-preferred and efficient bite sequences. In real-world evaluations across 6 realistic plates, we find that FLAIR can effectively tap into a varied library of skills for efficient food pickup, while adhering to the diverse preferences of 42 participants without mobility limitations as evaluated in a user study. We demonstrate the seamless integration of FLAIR with existing bite transfer methods [19, 28], and deploy it across 2 institutions and 3 robots, illustrating its adaptability. Finally, we illustrate the real-world efficacy of our system by successfully feeding a care recipient with severe mobility limitations. Supplementary materials and videos can be found at: https://emprise.cs.cornell.edu/flair .
• Abstract（参考訳）: ロボット支援給餌は、単独で給餌できない移動性制限のある個人にとって、生活の質を向上させる可能性がある。 しかし、既存の給餌システムで扱える均質で硬化したプレートと、本当に野生の食事の間には大きなギャップがある。 リアルな皿を食うことは、ロボットが遭遇する可能性のある食品の数が多すぎるため、非常に難しい。 補助給餌システムは、食事全体への給餌のために、異なる戦略を効率的にシーケンスできるだけでなく、タスクのパーソナライズされた性質を考えると、ユーザの好みに留意すべきである。 パラメータ化スキルのライブラリとともに,基礎モデルのコモンセンスと少数ショット推論機能を活用した長期給餌システムFLAIRを用いて,ユーザの優先的かつ効率的な噛み取りシーケンスの計画と実行を行う。 現実的な6つのプレートの実際の評価では, FLAIRは, 動作制限を伴わない42名の被験者の多様な嗜好をユーザスタディで評価しながら, 効率的な食事摂取のための多様なスキルのライブラリーを効果的に活用できることがわかった。 FLAIRを既存の噛み込み伝達法 [19, 28] とシームレスに統合し、2つの機関と3つのロボットに展開し、適応性を示す。 最後に,重度の移動制限のある介護者への給餌に成功したシステムの有効性について述べる。 追加資料やビデオは以下の通り。

関連論文リスト

• IMRL: Integrating Visual, Physical, Temporal, and Geometric Representations for Enhanced Food Acquisition [16.32678094159896]
  IMRL(Integrated Multi-dimensional Representation Learning, 統合多次元表現学習)を導入し, 食品取得におけるILの堅牢性と一般化性を高めるために視覚的, 物理的, 時間的, 幾何学的表現を統合した。 提案手法は, 食品の種類や物理的特性を捉え, 獲得行動の時間的ダイナミクスをモデル化し, 最適スクーピング点を決定するための幾何学的情報を導入する。 IMRLにより、ILはコンテキストに基づいてスクーピング戦略を適応的に調整し、多様な食品取得シナリオを扱うロボットの能力を改善することができる。
  論文  参考訳（メタデータ） (2024-09-18T16:09:06Z)
• RoDE: Linear Rectified Mixture of Diverse Experts for Food Large Multi-Modal Models [96.43285670458803]
  Uni-Foodは、さまざまな食品ラベルを持つ10万以上の画像からなる統合食品データセットである。 Uni-Foodは、食品データ分析に対するより包括的なアプローチを提供するように設計されている。 本稿では,食品関連マルチタスキングの課題に対処するため,新しいリニア・リクティフィケーション・ミックス・オブ・ディバース・エキスパート (RoDE) アプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-17T16:49:34Z)
• Adaptive Visual Imitation Learning for Robotic Assisted Feeding Across Varied Bowl Configurations and Food Types [17.835835270751176]
  ロボット支援給餌(RAF)のための空間的注意モジュールを備えた新しい視覚模倣ネットワークを提案する。 本研究では,視覚認識と模倣学習を統合して,ロボットがスクーピング中に多様なシナリオを扱えるようにするためのフレームワークを提案する。 AVIL(adaptive visual mimicion learning, 適応的視覚模倣学習)と呼ばれる我々のアプローチは、異なるボウル構成にまたがる適応性と堅牢性を示す。
  論文  参考訳（メタデータ） (2024-03-19T16:40:57Z)
• From Canteen Food to Daily Meals: Generalizing Food Recognition to More Practical Scenarios [92.58097090916166]
  DailyFood-172とDailyFood-16という2つの新しいベンチマークを、毎日の食事から食のイメージをキュレートする。 これらの2つのデータセットは、よく計算された食品画像領域から日常的な食品画像領域へのアプローチの伝達性を評価するために使用される。
  論文  参考訳（メタデータ） (2024-03-12T08:32:23Z)
• FoodLMM: A Versatile Food Assistant using Large Multi-modal Model [96.76271649854542]
  大規模マルチモーダルモデル(LMM)は多くの視覚言語タスクにおいて顕著な進歩を遂げている。 本稿では,多機能なLMMに基づく多目的食品アシスタントであるFoodLMMを提案する。 本稿では,食品の栄養価と複数のセグメンテーションマスクを予測するために,一連の新しいタスク固有のトークンとヘッドを導入する。
  論文  参考訳（メタデータ） (2023-12-22T11:56:22Z)
• Robotic Handling of Compliant Food Objects by Robust Learning from Demonstration [79.76009817889397]
  本稿では,食品に適合する物体をロボットで把握する上で,実証からの学習(LfD)に基づく頑健な学習方針を提案する。 教師の意図した方針を推定し,無矛盾な実演を自動的に除去するLfD学習ポリシーを提案する。 提案されたアプローチは、前述の業界セクターで幅広い応用が期待できる。
  論文  参考訳（メタデータ） (2023-09-22T13:30:26Z)
• Learning Sequential Acquisition Policies for Robot-Assisted Feeding [37.371967116072966]
  本稿では,長期食品購入の枠組みとして,視覚行動計画OveRシーケンス(VAPORS)を提案する。 VAPORSは、シミュレーションにおいて学習された潜在プレートダイナミクスを活用することで、ハイレベルなアクション選択のポリシーを学習する。 我々は,ヌードル獲得とゼリー豆のバイマンスクーピングを含む複雑な実世界の買収試験に対するアプローチを検証した。
  論文  参考訳（メタデータ） (2023-09-11T02:20:28Z)
• Transferring Knowledge for Food Image Segmentation using Transformers and Convolutions [65.50975507723827]
  食品画像のセグメンテーションは、食品の皿の栄養価を推定するなど、ユビキタスな用途を持つ重要なタスクである。 1つの課題は、食品が重なり合ったり混ざったりし、区別が難しいことだ。 2つのモデルが訓練され、比較される。1つは畳み込みニューラルネットワークに基づくもので、もう1つは画像変換器(BEiT)のための双方向表現に関するものである。 BEiTモデルは、FoodSeg103上の49.4の結合の平均的交点を達成することで、従来の最先端モデルよりも優れている。
  論文  参考訳（メタデータ） (2023-06-15T15:38:10Z)
• Learning Visuo-Haptic Skewering Strategies for Robot-Assisted Feeding [13.381485293778654]
  我々は、物体との相互作用における視覚的および触覚的な観察を活用して、ストーブ動作を計画する。 我々は、生の感覚入力から食品の一般化可能なマルチモーダル表現を学習する。 既往のアイテムのビジュオハプティックな特性を検知し,反応的にストーブするゼロショットフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-26T20:01:03Z)

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。