Longitudinal Robot Learning from Demonstration with Care Providers in a Home Environment

ملخص تقني: التعلم الطولي للروبوت من خلال التوضيح مع مقدمي الرعاية في بيئة منزلية

بيان المشكلة
يتيح "التعلم من التوضيح" (LfD) للمستخدمين غير الخبراء تعليم الروبوتات مهارات جديدة دون برمجة صريحة. ومع ذلك، فإن تقييمات سهولة الاستخدام الحالية لتقنية (LfD) مع غير الخبراء تُجرى في الغالب في مختبرات خاضعة للرقابة بوجود خبير روبوتات. وهذا يخلق فجوة في فهم العوائق التي يواجهها المستخدمون النهائيون غير الخبراء عند تعليم الروبوتات في بيئات منزلية غير منظمة وديناميكية دون وجود تغذية راجعة مباشرة من خبير. علاوة على ذلك، بينما تشير الأعمال السابقة إلى أن الموضحين يتحسن أداؤهم عبر جلسات متعددة، إلا أن هناك نقصاً في البيانات الطولية المتعلقة بكيفية تكيف غير الخبراء، وتحديداً مقدمي الرعاية، مع تعليم المهام المساعدة بمرور الوقت في البيئات المنزلية الواقعية.

المنهجية
يقترح المؤلفون تجربة على المشاركين البشريين تُجرى عبر ثلاث زيارات في "منزل جورجيا تيك الواعي" (Georgia Tech Aware Home)، وهو بيئة منزلية حقيقية. تستهدف الدراسة فئة من مقدمي الرعاية (سواء الرسميين، مثل الممرضين والمعالجين، أو غير الرسميين، مثل أفراد الأسرة) ممن ليس لديهم خبرة سابقة في الروبوتات أو علوم الكمبيوتر.

• بنية النظام:

  • الإدراك: يعالج النظام تدفقات RGB-D من كاميرا Intel RealSense باستخدام YOLOE للكشف عن الأشياء وتقسيمها. يتم إسقاط قياسات العمق عكسياً إلى سحب نقاط ثلاثية الأبعاد، ويتم تقدير وضعيات الأشياء باستخدام تسجيل "إيزيتراتيف كلوزيست بوينت" (ICP) مقابل أشكال محددة مسبقاً.
  • خوارزمية التعلم: يستخدم الروبوت "نماذج الحركة الاحتمالية الكارتيزية" (ProMPs) على مستوى النهاية الطرفية ووضعيات الأشياء المتتبعة. تم اختيار ProMPs لقدرتها على التعلم من توضيحات محدودة، وسرعة التدريب، والمتانة تجاه تغير وضعيات الأشياء مقارنة بنماذج "نسخ السلوك" (Behavior Cloning) أو نماذج "الرؤية واللغة والعمل" (Vision-Language Action models).
  • الواجهة: تتيح واجهة تفاعلية للمشاركين تفكيك المهام إلى مهارات منخفضة المستوى، وتوضيحها، وإنشاء "وصفات" للمهارات.

• الظروف التجريبية:
  تستخدم الدراسة تصميماً بين المجموعات (between-subjects design) مع شرطين:

  1. شرط PT+AF: يتلقى المشاركون تدريباً مسبقاً (PT) في الزيارة الأولى، حيث يحاولون تفكيك المهام ومشاهدة فيديوهات لتفكيكات مثالية وتوضيحات خبيرة. بعد ذلك، يتلقون تغذية راجعة تكيفية (AF) في الزيارتين الثانية والثالثة.
  2. شرط AF: يتخطى المشاركون الزيارة الأولى ويتلقون فقط التغذية الراجعة التكيفية (AF) في الزيارتين الثانية والثالثة.

• آليات التغذية الراجعة (AF):

  • تغذية نماذج التأسيس (FM) الراجعة: توفر إرشادات حول قابلية تعميم تفكيك المهام. وتساعد وحدة توضيح تكرارية المبتدئين في تحديد النطاقات والمهام بتفاصيل كافية.
  • إعادة عرض الروبوت الحقيقي (RRR): ينفذ الروبوت السياسة المتعلمة في البيئة الفيزيائية لمراقبة المستخدم.
  • التغذية الراجعة بالواقع المعزز (AR): ينفذ الروبوت السياسة في الواقع المعزز، مما يسمح للمستخدمين بتصور الأداء والقابلية للتعميم دون مخاطر فيزيائية أو تفاعلات مستهلكة للوقت.

• الإجراءات:

  • الزيارة 1: يقوم المشاركون في شرط PT بتعليم مهام في نطاقات محددة مسبقاً (مثل تكديس أوعية التوابير).
  • الزيارة 2: يقوم المشاركون بتعليم مهام إضافية في نطاقات جديدة مع توافر جميع أنواع التغذية الراجعة (AF) الثلاثة.
  • الزيارة 3: يحدد المشاركون نطاقات ومهام مخصصة مع توافر التغذية الراجعة (AF).
  • المقاييس: تقيم الدراسة نسبة إكمال المهام، والتوافق بين الأداء المتوقع والفعلي، ومقاييس تجربة المستخدم (سهولة الاستخدام، القبول، الثقة المتعلمة، وعبء العمل). سيستخدم التحليل الإحصائي نماذج الانحدار الخطي المتعدد مع التأثيرات المختلطة.

المساهمات الرئيسية

1. التصميم التجريبي: يقترح البحث تجربة على البشر مصممة لتوصيف التحديات والفرص لنشر أنظمة (LfD) مع المستخدمين النهائيين غير الخبراء في بيئة منزلية، وتحديداً باستخدام التدريب المسبق والتغذية الراجعة التكيفية.
2. إصدار مجموعة البيانات: يقترح المؤلفون جعل مجموعة بيانات متعددة الزيارات مفتوحة المصدر، تتضمن مقدمي رعاية يعلمون الروبوت مهام مساعدة. تتضمن هذه المجموعة أوصافاً باللغة الطبيعية، وسحب نقاط، ومسارات النهاية الطرفية/المفاصل، وصوتاً، وفيديو (من منظور الشخص الأول ومن منظور خارجي). وتهدف إلى استكمال مجموعات البيانات الحالية مثل MIME وRoboPro بمهام مساعدة واقعية ومتعددة الزيارات.

النتائج والمخرجات
بما أن هذا البحث يحدد إطار عمل مقترح للدراسة وجمع البيانات، فإنه لا يعرض النتائج الإحصائية النهائية أو مقاييس الأداء المحددة للتجربة المكتملة. بدلاً من ذلك، يفصل قسم "المخرجات" النتائج المستهدفة:

• إصدار مجموعة البيانات الطولية لتمكين المعايير القياسية لخوارزميات تعلم الروبوت التفاعلية.
• تقرير النتائج المتعلقة بالعوامل البشرية المرتبطة بأسئلة البحث الثلاثة (الاختلافات في أداء المهام، التوافق في التنبؤ، وتجربة المستخدم).
• اقتراح إرشادات تصميمية للباحثين والممارسين الذين ينشرون أنظمة (LfD) في البيئات المنزلية للمهام المساعدة، والمصممة خصيصاً لمقدمي الرعاية وجمع البيانات متعدد الزيارات.

الأهمية
يدعي البحث أهميته من خلال معالجة "الصلاحية البيئية" لأبحاث (LfD). ومن خلال الانتقال من المختبرات إلى بيئة منزلية واقعية والتركيز على دراسة طولية مع مقدمي الرعاية، يسعى العمل إلى تحديد العوائق المحددة التي يواجهها غير الخبراء عند تعليم الروبوتات دون وجود خبير مباشر. تهدف مجموعة البيانات وإرشادات التصميم الناتجة إلى تسهيل تطوير روبوتات مساعدة أكثر قوة، وتخصيصاً، وسهولة في الاستخدام، قادرة على التكيف مع البيئات البشرية غير المنظمة.