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

Sintesi Tecnica: Apprendimento Robotico Longitudinale tramite Dimostrazione con Assistenti in un Ambiente Domestico

Definizione del Problema
L'Apprendimento da Dimostrazione (Learning from Demonstration, LfD) consente agli utenti non esperti di insegnare nuove abilità ai robot senza una programmazione esplicita. Tuttavia, le attuali valutazioni di usabilità dell'LfD con i non esperti sono condotte prevalentemente in ambienti di laboratorio controllati con la presenza di un esperto di robotica. Ciò crea una lacuna nella comprensione delle barriere che gli utenti finali non esperti affrontano quando insegnano ai robot in ambienti domestici non strutturati e dinamici, in assenza di un feedback esperto in tempo reale. Inoltre, sebbene studi precedenti suggeriscano che i dimostratori migliorino nel corso di più sessioni, vi è una mancanza di dati longitudinali riguardanti il modo in cui i non esperti, specificamente gli assistenti (care providers), si adattano all'insegnamento di compiti assistenziali nel tempo in contesti domestici realistici.

Metodologia
Gli autori propongono un esperimento con soggetti umani condotto in tre visite presso la Georgia Tech Aware Home, un ambiente domestico autentico. Lo studio si rivolge a una popolazione di assistenti (sia formali, come infermieri e terapisti, sia informali, come i familiari) senza alcuna esperienza precedente in robotica o informatica.

• Architettura del Sistema:

  • Percezione: Il sistema elabora flussi RGB-D da una telecamera Intel RealSense utilizzando YOLOE per il rilevamento e la segmentazione degli oggetti. Le misurazioni della profondità vengono retro-proiettate in nuvole di punti 3D, e le pose degli oggetti vengono stimate tramite la registrazione Iterative Closest Point (ICP) rispetto a forme predefinite.
  • Algoritmo di Apprendimento: Il robot utilizza Primitive di Movimento Probabilistiche (ProMP) cartesiane sull'end-effector e sulle pose degli oggetti tracciati. Le ProMP sono state selezionate per la loro capacità di apprendere da un numero limitato di dimostrazioni, per i tempi di addestramento rapidi e per la robustezza rispetto al cambiamento delle pose degli oggetti rispetto al Behavior Cloning o ai modelli Vision-Language Action.
  • Interfaccia: Un'interfaccia interattiva consente ai partecipanti di scomporre i compiti in abilità di basso livello, dimostrarle e creare "ricette" di abilità.

• Condizioni Sperimentali:
  Lo studio impiega un disegno tra i soggetti con due condizioni:

  1. Condizione PT+AF: I partecipanti ricevono un Pre-Addestramento (PT) nella Visita 1, dove tentano la scomposizione dei compiti e visualizzano video di scomposizioni ottimali e dimostrazioni esperte. Successivamente, ricevono un Feedback Adattivo (AF) nelle Visite 2 e 3.
  2. Condizione AF: I partecipanti saltano la Visita 1 e ricevono solo l'AF nelle Visite 2 e 3.

• Meccanismi di Feedback (AF):

  • Feedback da Modello Fondativo (FM): Fornisce guida sulla generalizzabilità della scomposizione dei compiti. Un modulo di chiarificazione iterativa aiuta i novizi a definire domini e compiti con un dettaglio sufficiente.
  • Riproduzione del Robot Reale (RRR): Il robot esegue la politica appresa nell'ambiente fisico per l'osservazione dell'utente.
  • Feedback in Realtà Aumentata (AR): Il robot esegue la politica in AR, consentendo agli utenti di visualizzare le prestazioni e la generalizzabilità senza rischi fisici o interazioni laboriose.

• Procedura:

  • Visita 1: I partecipanti alla condizione PT insegnano compiti in domini predefiniti (ad esempio, impilamento di contenitori Tupperware).
  • Visita 2: I partecipanti insegnano compiti aggiuntivi in nuovi domini con tutti e tre i tipi di AF disponibili.
  • Visita 3: I partecipanti definiscono domini e compiti personalizzati con AF disponibile.
  • Metriche: Lo studio valuta la percentuale di completamento dei compiti, l'allineamento tra le prestazioni previste e quelle effettive del robot, e metriche di esperienza utente (usabilità, accettazione, fiducia appresa e carico di lavoro). L'analisi statistica utilizzerà regressioni lineari multiple con effetti misti.

Contributi Chiave

1. Design Sperimentale: Il documento propone un esperimento con soggetti umani progettato per caratterizzare le sfide e le opportunità di implementazione di sistemi LfD con utenti finali non esperti in un ambiente domestico, utilizzando specificamente il pre-addestramento e il feedback adattivo.
2. Rilascio del Dataset: Gli autori propongono di rendere open-source un dataset multi-visita composto da assistenti che insegnano al robot compiti assistenziali. Questo dataset include descrizioni in linguaggio naturale, nuvole di punti, traiettorie di end-effector/giunti, audio e filmati video (egocentrici ed esocentrici). Mira a integrare dataset esistenti come MIME e RoboPro con compiti assistenziali realistici e multi-visita.

Risultati e Risultati Attesi
Poiché questo documento delinea uno studio proposto e un quadro di raccolta dati, non riporta risultati statistici finali o metriche di prestazione specifiche dell'esperimento completato. Inveve, la sezione "Risultati" dettaglia i deliverable previsti:

• Il rilascio del dataset longitudinale per consentire il benchmarking standardizzato di algoritmi di apprendimento robotico interattivo.
• La segnalazione dei risultati relativi ai fattori umani legati alle tre domande di ricerca (differenze nelle prestazioni dei compiti, allineamento della previsione e esperienza utente).
• La proposta di linee guida di progettazione per ricercatori e professionisti che implementano sistemi LfD in ambienti domestici per compiti assistenziali, specificamente rivolte agli assistenti e alla raccolta dati multi-visita.

Significatività
Il documento rivendica la propria significatività affrontando la "validità ecologica" della ricerca LfD. Passando dagli ambienti di laboratorio a un ambiente domestico realistico e concentrandosi su uno studio longitudinale con assistenti, il lavoro mira a identificare le barriere specifiche che i non esperti affrontano nell'insegnare ai robot in assenza di feedback esperto dal vivo. Il dataset e le linee guida di progettazione risultanti mirano a facilitare lo sviluppo di una robotica assistenziale più robusta, personalizzata e user-friendly, capace di adattarsi ad ambienti umani non strutturati.