FLAIR: Feeding via Long-horizon AcquIsition of Realistic dishes

机器人辅助喂食有潜力改善行动不便的个体的生活质量，这些人无法独立进食。然而，现有的喂食系统只能处理同质化、经过精心筛选的餐盘，与真正的在野餐点存在很大差距。由于机器人可能会遇到各种不同的食物，每种食物都需要专门的操纵策略，而且必须在长时间内进行序列化才能完成整个餐点，因此喂食真实的餐盘是极具挑战性的。辅助喂食系统不仅应该能够高效地序列化不同的策略，以便完成整个餐点，还应该考虑到用户偏好的个性化任务。我们通过FLAIR解决了这个问题，FLAIR是一种长期规划喂食系统，利用基础模型的常识和少量推理能力，以及一个参数化技能库，计划和执行用户优选和高效的咬合序列。在6个真实餐盘的实际评估中，我们发现FLAIR可以有效地利用各种技能库进行高效的食物拾取，并在42名无行动障碍的参与者的用户研究中遵守不同的偏好。我们演示了FLAIR与现有的咬合传递方法[19, 28]的无缝集成，并在2个机构和3个机器人中部署它，说明它的适应性。最后，我们通过成功喂养一个行动受限的护理对象来说明我们系统的实际有效性。补充材料和视频可在以下网址找到：https://emprise.cs.cornell.edu/flair。

解决问题：该论文旨在解决机器人辅助喂食中的一个难题，即如何有效地处理多样化的食物种类和用户个性化的喜好。

关键思路：该论文提出了FLAIR系统，利用基础模型的常识和少样本推理能力以及参数化技能库，规划和执行用户喜好和高效的咬合序列，成功地解决了机器人辅助喂食中的长期规划问题。

其他亮点：论文在6个真实的盘子上进行了实验，并在42个无运动障碍的参与者中进行了用户研究，证明了FLAIR可以有效地利用多样化的技能库进行高效的食物拾取，并遵循不同的用户喜好。论文还展示了FLAIR与现有的咬合传输方法的无缝集成，并在2个机构和3个机器人上进行了部署，证明了其适应性。最后，论文成功地展示了该系统在实际中的有效性。

相关研究：最近在这个领域中，还有一些相关的研究，如《Robot-Assisted Feeding: A Review of Recent Works》、《Robot-Assisted Feeding: A Survey》等。