MARC

 008250123s2024        us                              c    eng  d
■001000017164236
■00520250211152937
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798342754712
■035    ▼a(MiAaPQ)AAI31563968
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aNewman,  Benjamin  A.
■24510▼aAssistive  Value  Alignment  Using  In-Situ  Naturalistic  Human  Behaviors
■260    ▼a[Sl]▼bCarnegie  Mellon  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a192  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Admoni,  Henny;Kitani,  Kris.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2024.
■520    ▼aAs  collaborative  robots  are  increasingly  deployed  in  personal  environments,  such  as  the  home,  it  is  critical  they  take  actions  to  complete  tasks  consistent  with  personal  preferences.  However,  determining  personal  preferences  for  completing  household  chores  is  challenging.  Many  household  chores,  such  as  setting  a  table  or  loading  a  dishwasher,  are  sequential  and  open-vocabulary,  creating  a  landscape  of  almost  endless  a  priori  preferences.  Taking  assistive  actions  in  this  domain  means  that  a  robot  must  first  determine  someone's  personal  preference  from  within  this  expansive  space.  To  do  this,  robots  rely  on  people  to  communicate  information  about  their  preferences.Communication  about  preferences  is  often  collected  ex  situ:  A  person  is  presented  with  an  abstract  situation  with  several  alternative  solutions  and  gives  feedback  on  which  solution  they  think  they  would  prefer  if  they  were  acting  in  situ.  This  feedback  on  the  preferred  solution,  combined  with  similar  responses  from  multiple  people  in  multiple  situations,  is  then  used  to  train  a  preference  model.  These  data  can  be  burdensome  to  collect,  are  based  on  ex  situ  data  collection  which  does  not  guarantee  alignment  with  in  situ  preferences,  and  fails  to  capture  information  about  changing  to  preferences  that  may  arise  due  to  the  execution  of  the  collaboration.In  this  thesis,  we  argue  that  robots  can  provide  personalized  in  situ  assistance  using  observations  of  naturalistic  human  behaviors.  In  other  words,  robotic  assistance  can  be  viewed  as  a  process  of  value  alignment  and  can  be  achieved  during  task  execution  using  observations  of  naturally  occurring  goal-directed  behaviors.  To  support  this  argument,  we  make  five  main  contributions.First,  we  define  assistive  robotics  as  a  value  alignment  problem  and  identify  the  main  components  in  defining  such  a  problem:  the  people  involved,  the  space  (or  environment)  in  which  the  interaction  takes  place,  and  the  relative  timing  of  the  robot  and  collaborative  partners'  actions.  Second,  we  introduce  a  dataset  of  naturalistic  human-robot  collaboration  behavior  collected  in  a  simple  collaborative  object  rearrangement  task.  Third,  we  use  this  data  set  to  highlight  the  importance  of  continued  personalization  in  assistive  scenarios.  Fourth,  we  present  a  method  for  extending  these  ideas  to  complex  surface  rearrangement  tasks  with  naturalistic  data  using  large  internet-scale  pretrained  multi-modal  foundation  models.  Finally,  we  present  a  method  for  continually  finetuning  these  large  foundation  models  using  naturalistic  in  situ  behaviors,  demonstrating  how  we  can  provide  seamless  robotic  assistance  from  varying  sources  of  in  situ  human  behavior  data.
■590    ▼aSchool  code:  0041.
■650  4▼aComputer  science
■650  4▼aRobotics
■653    ▼aAssistive  robotics
■653    ▼aContinual  adaptation
■653    ▼aNaturalistic  behavior
■653    ▼aPreference  learning
■653    ▼aValue  alignment
■690    ▼a0800
■690    ▼a0984
■690    ▼a0771
■71020▼aCarnegie  Mellon  University▼bRobotics  Institute.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164236▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books