喂食机器人--技术分享

据2010年美国非收容机构调查，美国人口中有5670万人(18.7%)患有残疾。其中，约1230万人需要一项或多项日常生活活动(ADLs)或工具性日常生活活动的帮助。这些活动的关键是喂养，这对护理者来说是很费时的，对于接受护理的人来说，也是充满挑战的[1]。虽然在[2]-[5]市场上有几个自动喂食系统，但由于它们使用的自主性很小，食品制备过程或预切包装食品很耗时间，因此缺乏广泛的接受度。随着人口老龄化，尤其此次疫情凸显的医护力量不足问题，对喂食机器人有了更为迫切的需求。我们通过分享近期在IEEE ROBOTICS AND AUTOMATION LETTERS上发表的“TowardsRobotic Feeding: Role of Haptics in Fork-Based Food Manipulation”论文，来一起了解喂食机器人的研究情况。

机器人在自动喂食操作中需要适应各种不同材料、大小和形状的食品。为了解人类在进食过程中是如何操作食物的，并探索如何使他们的策略适应机器人，研究者们收集了大量丰富的人类食物操纵策略数据集，通过对人类获取不同食物并将其放在假人的嘴附近进行研究(图1)。其次，研究者们分析实验来建立食物操作的分类，组织叉子和食物之间复杂的相互作用来完成一个喂食任务。在食物处理过程中，基于触觉和运动信号的食物分类是有益的而不是仅基于视觉的分类[6]–[8]，因为视觉上相似的物品可能有不同的依从性，因此需要不同的控制策略。最后我们通过分析机器人固定位置控制策略的性能，强调了柔顺性控制策略的重要性。

研究者们构建了一个专门的测试平台(图2)来捕捉喂食任务期间的动作和扳手位置。他们在餐叉上安装了一个六轴力/力矩传感器来测量在食物操作过程中力情况，安装视觉标记来确定位置。为了收集丰富的运动数据，在一个专门设计的平台上安装了6台Optitrack Flex13[10]运动捕捉相机，工作区全覆盖，以每秒120帧（FPS）的速度对Forque进行完整6自由度运动捕捉。研究者们选择了12种食物，并根据它们的依从性将它们分为四类：硬皮、硬、中、软。分别准备了三种:硬皮-甜椒、樱桃番茄、葡萄；硬-胡萝卜，芹菜，苹果；中-哈密瓜，西瓜，草莓；软-香蕉，黑莓，鸡蛋。图2(c)显示了提供给受试者的典型食物。

喂食是一项复杂的任务，创建用于进食的操作行为分类有助于系统地将其分类为子任务。通过细分，研究者们可以更好地了解人们在此任务的不同阶段使用的不同策略。通过将喂食任务分为四个主要阶段:1)休息，2)方法，3)获取咬痕，4)运输，研究者们制定了与喂食任务相关的操作策略的部分分类法(图3)。

受试者使用不同的力量和动作来获得不同的食物。因此，机器人可以基于任务分类来选择其操纵策略，并学会像人类一样控制。研究者们使用演示编程技术[11]对机器人进行编程，通过人工演示保存了手臂的一系列路径点(关节配置)。在每次试验中，机器人都会使用垂直的打叉动作从盘上的预定位置拾取食物。每次试验结束后，我们都把串起来的食物丢掉，并从盘子中手动将另一种食物放在该位置，以进行下一次试验。研究者还比较了人类和机器人的咬取成功率。受试者发现获取硬皮食物是最困难的，而采用具有位置控制方案的机器人在获取硬皮食物和软皮食物时都很困难。对于机器人实验中，发现硬类和软类以及中类和软类的成功率有显著差异。研究者们进行了两项额外的分析来调查速度对不同操作策略和不同食物种类选择的影响。另外，咬合的时机是喂食的另一个重要因素。正确的咀嚼时间取决于不同的因素。

触觉在食品操作中的作用研究较少，因此，该文的重点之一是分析触觉形态的作用。仅仅依靠视觉方式可能会导致操作策略选择不理想，触觉可以通过识别食品类别从而减少选择操纵策略的不确定性[9]。利用视觉来选择与食物相关的前叉接触角度，然后在出现异常或不确定的情况下，利用触觉模式来改进其咬取动作。

未来的自主机器人系统将使用更多人类示教数据和视触觉融合方法来设计各种操作策略，提供更好地喂食服务。