要約
サービス ロボットがより汎用的になるにつれて、サービス ロボットは、実行できるすべてのタスクの大規模なセットに対して、ユーザーの好みに適応する必要があります。
これには、ユーザーが自分自身で行うのではなく、どのアクションをロボットに委任することを好むかに関する設定が含まれます。
既存のパーソナライゼーションのアプローチでは、各ユーザーのタスク固有のデータが必要です。
すべての家事タスクとユーザーの多様性、およびタスク間でのユーザーの好みの微妙な違いに対処するために、ロボットの動作をカスタマイズするためのユニバーサル ロボット ポリシーと並行して使用できるタスク適応関数を個別に学習することを提案します。
Abstract Concepts (TAACo) フレームワークを使用してタスク アダプテーションを作成します。
TAACo は、ユーザーのフィードバックに基づいて構築された抽象概念で構成される表現を介して推論を仲介することにより、特定のタスクについてユーザーが好む支援方法を予測する方法を学習できます。
TAACo は、少量のユーザー フィードバックからオープンな家事タスクを一般化し、直感的な概念を通じてその推論を説明できます。
5 人の好みから収集したデータセットに基づいてモデルを評価し、ユーザー フィードバックの 40 サンプルで、TAACo が予測精度で GPT-4 より 16% 優れ、ルールベースのシステムより 54% 優れていることを示しました。
要約(オリジナル)
As service robots become more general-purpose, they will need to adapt to their users’ preferences over a large set of all possible tasks that they can perform. This includes preferences regarding which actions the users prefer to delegate to robots as opposed to doing themselves. Existing personalization approaches require task-specific data for each user. To handle diversity across all household tasks and users, and nuances in user preferences across tasks, we propose to learn a task adaptation function independently, which can be used in tandem with any universal robot policy to customize robot behavior. We create Task Adaptation using Abstract Concepts (TAACo) framework. TAACo can learn to predict the user’s preferred manner of assistance with any given task, by mediating reasoning through a representation composed of abstract concepts built based on user feedback. TAACo can generalize to an open set of household tasks from small amount of user feedback and explain its inferences through intuitive concepts. We evaluate our model on a dataset we collected of 5 people’s preferences, and show that TAACo outperforms GPT-4 by 16% and a rule-based system by 54%, on prediction accuracy, with 40 samples of user feedback.
arxiv情報
| 著者 | Maithili Patel,Sonia Chernova |
| 発行日 | 2024-10-25 00:08:38+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google