GRACE: Generalizing Robot-Assisted Caregiving with User Functionality Embeddings

要約

ロボットの介護は、ユーザー代理店を実施しながら、必要に応じてタスクを支援するために、ケアの受信者の多様なニーズを満たすためにパーソナライズされるべきです。
ハンドオーバー、入浴、ドレッシング、リハビリテーションなどの物理的なタスクでは、この多様性の重要な側面は機能的な動き範囲（from）です。
この作業では、幅広い介護タスクでロボットの意思決定を一般化する方法としてパーソナライズされたことを予測することを学びます。
作業療法の機能的評価スコアを使用することからパーソナライズされたものを予測するための新しいデータ駆動型の方法を提案します。
機能的評価スコアをユーザーの物理機能の潜在的な表現に埋め込むことを学ぶ神経モデルを開発します。
このモデルは、エミュレートされたモビリティの制限を持つユーザーから収集されたモーションキャプチャデータを使用してトレーニングされています。
トレーニング後、モデルはモーションキャプチャなしで新しいユーザー向けのパーソナライズされたものを予測します。
シミュレートされた実験とリアルロボットユーザー調査を通じて、モデルからの予測からパーソナライズされたことにより、ロボットがユーザーの代理店を実際に改善しながら、パーソナライズされた効果的な支援を提供できることを示しています。
視覚化については、https：//emprise.cs.cornell.edu/grace/をご覧ください。

要約(オリジナル)

Robot caregiving should be personalized to meet the diverse needs of care recipients — assisting with tasks as needed, while taking user agency in action into account. In physical tasks such as handover, bathing, dressing, and rehabilitation, a key aspect of this diversity is the functional range of motion (fROM), which can vary significantly between individuals. In this work, we learn to predict personalized fROM as a way to generalize robot decision-making in a wide range of caregiving tasks. We propose a novel data-driven method for predicting personalized fROM using functional assessment scores from occupational therapy. We develop a neural model that learns to embed functional assessment scores into a latent representation of the user’s physical function. The model is trained using motion capture data collected from users with emulated mobility limitations. After training, the model predicts personalized fROM for new users without motion capture. Through simulated experiments and a real-robot user study, we show that the personalized fROM predictions from our model enable the robot to provide personalized and effective assistance while improving the user’s agency in action. See our website for more visualizations: https://emprise.cs.cornell.edu/grace/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google