COOL：通过主动观测学习物品归属的个性化机器人助手

人们越来越期望机器人在日常环境中提供个性化服务。为此，他们必须使用自然语言命令，例如“我的背包在哪里？”或“找到我的瓶子”并通过推理对象实例、人员、位置和所有权来执行它们。这是具有挑战性的，因为所有权很少被明确标记，并且必须从人与物体交互的长期行为证据中推断出来。为了解决这个问题，我们提出了 COOL，一种新颖的机器人框架，用于从日常观察中自主学习对象所有权并保持对其环境的长期空间记忆。为了保持记忆最新，COOL 使用基于Agent的好奇心驱动的数据收集策略，引导机器人前往最有希望的位置以获取信息并刷新陈旧的观察结果。离线实验、消融研究和现实世界评估表明，COOL 可以从现实世界的交互中推断所有权关系，并将这些知识用于所有权条件导航和任务执行。