NeatNet：帮助机器人学习人类整理偏好的系统
随着机器人变得越来越先进、越来越普及，越来越多的人可能会将它们引入家中。因此，许多机器人研究人员正努力开发能够有效帮助人们完成烹饪、清洁等家务的系统。
伦敦帝国理工学院机器人学习实验室的研究人员开发了NeatNet——一种创新的机器学习工具，它可以让机器人根据用户的个人偏好整理家居环境。该模型发表于arXiv上的一篇论文中，基于一种新的变分自编码器架构，并结合了图神经网络层。
“每个人布置家居的方式都独一无二、富有个性，这受到审美品味、生活习惯，甚至文化背景的影响。我们开发了一种方法，用于学习人们对家居布置的偏好，使机器人能够据此为每个人个性化地整理家居”
NeatNet由琼斯博士及其学生伊万·卡佩柳赫共同开发，该方法使机器人只需观察用户如何在家中摆放家具和物品，就能学会其独特的整理偏好。随后，机器人可以将这些偏好作为指导，按照用户的喜好整理其家居环境。
琼斯表示：“例如，假设你希望桌子上的物品摆放得紧凑一些，方便随手取用。你可能希望机器人学会这一偏好。机器人收拾完桌面后，桌子就会按照你觉得方便的方式摆放。”
NeatNet的灵感来自推荐系统——流媒体平台（如Netflix、YouTube、Spotify）或其他网站用来向用户推荐新内容的机器学习工具。推荐系统通过分析用户过去观看、收听或访问过的内容，来学习其偏好。
研究人员表示：“如果一部新电影受到许多与你偏好相似的用户喜爱，Netflix就可能将这部电影也推荐给你。这就是这些方法提供个性化推荐的方式。”
这一类似推荐的新工具，用于学习整理偏好，其基础是卡佩柳赫在帝国理工学院的博士论文，该论文由琼斯博士指导。卡佩柳赫与其导师共同在机器人学习大会（CoRL）上发表了新论文，该会议于2021年11月8日至11日在伦敦举行。
“到目前为止，我们一直通过机器人及其环境的计算机模拟来展示研究成果，但在未来的工作中，我们计划在真实世界中的真实机器人上实现这一方法。”琼斯说道。
从本质上讲，NeatNet会处理由用户整理和收拾过的场景。它从这些场景中学习用户的整理偏好，这些偏好以数字序列的形式表示。最后，它利用这些数字序列，对任意一组物品进行个性化摆放。
“由于机器人事先无法知道会遇到多少物品，NeatNet采用图神经网络进行处理。这意味着它并不直接基于空间图像进行学习，而是将空间建模为一个图，其中每个物品都是一个节点（或点），所有节点彼此相连”
借助图神经网络，NeatNet还能学习不同物品之间的关系。例如，它可以学会键盘和鼠标通常放在一起，或者餐具放在盘子的一侧。
除了学习物品之间的普遍关系，NeatNet还会学习用户的个人偏好。例如，系统可以学会用户通常将餐具放在盘子的哪一侧，因为左撇子和右撇子的习惯可能不同。
琼斯博士和卡佩柳赫通过一系列实验评估了他们的技术，使用由房间清洁模拟器生成的房间布置示例，这些示例代表了75位不同用户的偏好。在这些测试中，NeatNet始终能够实现整洁且个性化的房间整理。
“我们发现，按照个人偏好整理房间，比对所有人采用统一的整理方式更受用户欢迎。即使是简单的空间也是如此，而在拥有数百件物品的真实住宅中，每个房间的整理方式则有更多可能性”
随着机器人越来越普及，它们以符合个人偏好的方式完成任务的能力可能会尤为宝贵。因此，NeatNet有望显著提升家庭助手和家用机器人的性能。
“另一个有趣的发现是，尽管神经网络将用户偏好表示为一串数字，我们仍然能够找到一些有意义的规律。例如，NeatNet根据用户布置餐桌的方式，将左撇子和右撇子用户分别归为不同的组。这有助于我们了解模型的内部工作原理，而这在使用神经网络时通常很难做到”
目前为止，NeatNet仅在模拟环境中进行了测试，但已取得了令人鼓舞的结果。研究人员正在开展进一步研究，旨在将该方法应用于真实机器人并对其进行评估。
研究人员表示：“我们将使用机器人的摄像头（即‘机器人的眼睛’）来确定房间中物品的位置。此外，我们还将研究如何确保所建议的摆放方式始终符合物理定律，从而保证安全。例如，盘子不能滑落桌子边缘。我们还将研究能够考虑机器人完成整理所需时间的方法。例如，我们可能希望机器人只收拾几件非常不合适的物品，而不是整理整个房子。”
