Predicting Routine Object Usage for Proactive Robot Assistance

要約

ロボット支援における積極性とは、ユーザーのニーズを予測し、明示的な要求がなくても支援アクションを実行するロボットの能力を指します。
これには、ユーザーのルーチンを理解し、一貫したアクティビティを予測し、一貫性のない行動を予測するための情報を積極的に探す必要があります。
我々は SLaTe-PRO (ルーチン オブジェクトの使用を予測するための逐次潜在時間モデル) を提案します。これは、オブジェクトとユーザーのアクション情報を組み合わせ、過去の履歴に基づいてオブジェクトの使用予測を調整することによって、以前の最先端技術を改善します。
さらに、一部の人間の行動は本質的に確率的であり、ロボットが積極的な支援に使用できる文脈上の手がかりが欠けていることがわかりました。
このようなケースに対処するために、予測を改善するためにユーザーの意図したアクティビティとオブジェクトの使用に関するクエリを行うために使用できる対話型クエリ メカニズムを導入します。
私たちは、24 の活動クラスにわたる 3 つの世帯からの長期的なデータに基づいてアプローチを評価します。
SLaTe-PRO のパフォーマンスにより、F1 スコア指標はクエリなしで 0.57、ユーザー クエリありで 0.60 に上昇し、以前の作業のスコア 0.43 を上回りました。
さらに、完全自律型家庭用ロボットのケーススタディも紹介します。

要約(オリジナル)

Proactivity in robot assistance refers to the robot’s ability to anticipate user needs and perform assistive actions without explicit requests. This requires understanding user routines, predicting consistent activities, and actively seeking information to predict inconsistent behaviors. We propose SLaTe-PRO (Sequential Latent Temporal model for Predicting Routine Object usage), which improves upon prior state-of-the-art by combining object and user action information, and conditioning object usage predictions on past history. Additionally, we find some human behavior to be inherently stochastic and lacking in contextual cues that the robot can use for proactive assistance. To address such cases, we introduce an interactive query mechanism that can be used to ask queries about the user’s intended activities and object use to improve prediction. We evaluate our approach on longitudinal data from three households, spanning 24 activity classes. SLaTe-PRO performance raises the F1 score metric to 0.57 without queries, and 0.60 with user queries, over a score of 0.43 from prior work. We additionally present a case study with a fully autonomous household robot.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google