On Bringing Robots Home

在历史上，我们成功地将各种机器整合到我们的家庭中，如洗碗机、洗衣机、搅拌器和机器人吸尘器等。然而，这些机器只擅长执行单一任务。在家庭中使用“通用机器”——一种能够适应和学习我们需求的家庭助手，同时保持成本效益，一直是机器人技术领域追求的目标。在这项工作中，我们通过引入Dobb-E来推动实现这一目标的大规模努力，这是一个价格实惠且多功能的普适学习机器人系统，适用于家庭环境。Dobb-E只需要用户展示如何执行任务的5分钟，就能学习一项新任务，这得益于我们使用廉价零件和iPhone制作的演示收集工具（“The Stick”）。我们使用The Stick在纽约市的22个家庭中收集了13小时的数据，并训练出家庭预先训练的表示（HPR）。然后，在一个新颖的家庭环境中，通过展示5分钟的演示和15分钟的调整HPR模型，我们展示了Dobb-E可以在市场上随时可得的移动机器人Stretch上可靠地解决任务。在纽约市及周边地区的家庭中进行了约30天的实验，在10个家庭中测试了我们的系统，完成了109个不同环境下的任务，最终获得了81%的成功率。除了成功率之外，我们的实验还揭示了许多实验室机器人中不存在或被忽略的独特挑战，从强阴影的影响到非专业用户的演示质量的变化。希望能够加速家庭机器人的研究，并最终在每个家庭中看到机器人管家，我们在https://dobb-e.com上开源了Dobb-E软件堆栈和模型、我们的数据和硬件设计。

论文试图解决家庭机器人的通用性问题，即如何打造一个能够适应并学习用户需求的通用机器人。这是一个已经被研究多年的问题。

论文提出了Dobb-E这一通用机器人系统，它可以通过用户演示的方式学习新任务，并在不同的家庭环境中适应性地解决问题。该系统的关键在于使用了廉价的硬件和智能手机构建了演示采集工具（The Stick），并使用Home Pretrained Representations（HPR）进行训练和适应。

论文通过在纽约市22个家庭的13小时数据采集和10个家庭的109个任务测试，成功展示了Dobb-E系统的可行性和适应性。实验中还涉及到了许多在实际家庭环境中独特的挑战，例如强烈的阴影和非专业用户的不同演示质量。该论文开源了Dobb-E软件堆栈和模型、数据和硬件设计，以加速家庭机器人的研究。

在最近的研究中，也有一些关于家庭机器人的通用性的研究。例如，2019年的论文《Generalization Across Unseen Environments Using Unseen Features for Reinforcement Learning in Robotics》提出了使用未见过的特征进行强化学习的方法来解决通用性问题。还有2017年的论文《Deep Learning for Robots Using Cheap Sensors and Small Datasets》介绍了使用深度学习和廉价传感器进行机器人控制的方法。