Coloring Between the Lines: Personalization in the Null Space of Planning Constraints

要約

ジェネラリストのロボットは、長期ユーザーの多様なニーズと好みを満たすために、内部でパーソナライズする必要があります。
安全や能力を犠牲にすることなく、柔軟なパーソナライズを可能にするにはどうすればよいですか？
このペーパーでは、ロボット計画で使用される制約満足度問題（CSP）のヌル空間を活用するパーソナライズの方法であるライン（CBTL）間の着色を提案します。
CBTLは、安全で有能な動作を保証するCSPジェネレーターから始まり、オンラインインタラクションからパラメーター化された制約を学習することにより、行動を徐々にパーソナリティ化します。
不確実性を定量化し、計画制約の構成性を活用することにより、CBTLは環境リセットなしでサンプル効率の高い適応を達成します。
（1）3つの多様なシミュレーション環境でCBTLを評価します。
（2）Webベースのユーザー調査。
（3）Real Robot Assisted Feeding Systemであり、CBTLはベースラインよりも少ない相互作用でより効果的なパーソナライズを一貫して達成することを発見しました。
我々の結果は、CBTLが継続的で柔軟で、アクティブで、安全なロボットのパーソナライズのための統一された実用的なアプローチを提供することを示しています。
ウェブサイト：https：//emprise.cs.cornell.edu/cbtl/

要約(オリジナル)

Generalist robots must personalize in-the-wild to meet the diverse needs and preferences of long-term users. How can we enable flexible personalization without sacrificing safety or competency? This paper proposes Coloring Between the Lines (CBTL), a method for personalization that exploits the null space of constraint satisfaction problems (CSPs) used in robot planning. CBTL begins with a CSP generator that ensures safe and competent behavior, then incrementally personalizes behavior by learning parameterized constraints from online interaction. By quantifying uncertainty and leveraging the compositionality of planning constraints, CBTL achieves sample-efficient adaptation without environment resets. We evaluate CBTL in (1) three diverse simulation environments; (2) a web-based user study; and (3) a real-robot assisted feeding system, finding that CBTL consistently achieves more effective personalization with fewer interactions than baselines. Our results demonstrate that CBTL provides a unified and practical approach for continual, flexible, active, and safe robot personalization. Website: https://emprise.cs.cornell.edu/cbtl/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google