據2010年美國非收容機構調查，美國人口中有5670萬人(18.7%)患有殘疾。其中，約1230萬人需要一項或多項日常生活活動(ADLs)或工具性日常生活活動的幫助。這些活動的關鍵是喂養，這對護理者來說是很費時的，對于接受護理的人來說，也是充滿挑戰的[1]。雖然在[2]-[5]市場上有幾個自動喂食系統，但由于它們使用的自主性很小，食品制備過程或預切包裝食品很耗時間，因此缺乏廣泛的接受度。隨著人口老齡化，尤其此次疫情凸顯的醫護力量不足問題，對喂食機器人有了更為迫切的需求。我們通過分享近期在IEEE ROBOTICS AND AUTOMATION LETTERS上發表的“TowardsRobotic Feeding: Role of Haptics in Fork-Based Food Manipulation”論文，來一起了解喂食機器人的研究情況。

機器人在自動喂食操作中需要適應各種不同材料、大小和形狀的食品。為了解人類在進食過程中是如何操作食物的，并探索如何使他們的策略適應機器人，研究者們收集了大量豐富的人類食物操縱策略數據集，通過對人類獲取不同食物并將其放在假人的嘴附近進行研究(圖1)。其次，研究者們分析實驗來建立食物操作的分類，組織叉子和食物之間復雜的相互作用來完成一個喂食任務。在食物處理過程中，基于觸覺和運動信號的食物分類是有益的而不是僅基于視覺的分類[6]–[8]，因為視覺上相似的物品可能有不同的依從性，因此需要不同的控制策略。后我們通過分析機器人固定位置控制策略的性能，強調了柔順性控制策略的重要性。

研究者們構建了一個專門的測試平臺(圖2)來捕捉喂食任務期間的動作和扳手位置。他們在餐叉上安裝了一個六軸力/力矩傳感器來測量在食物操作過程中力情況，安裝視覺標記來確定位置。為了收集豐富的運動數據，在一個專門設計的平臺上安裝了6臺Optitrack Flex13[10]運動捕捉相機，工作區全覆蓋，以每秒120幀（FPS）的速度對Forque進行完整6自由度運動捕捉。研究者們選擇了12種食物，并根據它們的依從性將它們分為四類：硬皮、硬、中、軟。分別準備了三種:硬皮-甜椒、櫻桃番茄、葡萄；硬-胡蘿卜，芹菜，蘋果；中-哈密瓜，西瓜，草莓；軟-香蕉，黑莓，雞蛋。圖2(c)顯示了提供給受試者的典型食物。

喂食是一項復雜的任務，創建用于進食的操作行為分類有助于系統地將其分類為子任務。通過細分，研究者們可以更好地了解人們在此任務的不同階段使用的不同策略。通過將喂食任務分為四個主要階段:1)休息，2)方法，3)獲取咬痕，4)運輸，研究者們制定了與喂食任務相關的操作策略的部分分類法(圖3)。

受試者使用不同的力量和動作來獲得不同的食物。因此，機器人可以基于任務分類來選擇其操縱策略，并學會像人類一樣控制。研究者們使用演示編程技術[11]對機器人進行編程，通過人工演示保存了手臂的一系列路徑點(關節配置)。在每次試驗中，機器人都會使用垂直的打叉動作從盤上的預定位置拾取食物。每次試驗結束后，我們都把串起來的食物丟掉，并從盤子中手動將另一種食物放在該位置，以進行下一次試驗。研究者還比較了人類和機器人的咬取成功率。受試者發現獲取硬皮食物是困難的，而采用具有位置控制方案的機器人在獲取硬皮食物和軟皮食物時都很困難。對于機器人實驗中，發現硬類和軟類以及中類和軟類的成功率有顯著差異。研究者們進行了兩項額外的分析來調查速度對不同操作策略和不同食物種類選擇的影響。另外，咬合的時機是喂食的另一個重要因素。正確的咀嚼時間取決于不同的因素。

觸覺在食品操作中的作用研究較少，因此，該文的重點之一是分析觸覺形態的作用。僅僅依靠視覺方式可能會導致操作策略選擇不理想，觸覺可以通過識別食品類別從而減少選擇操縱策略的不確定性[9]。利用視覺來選擇與食物相關的前叉接觸角度，然后在出現異常或不確定的情況下，利用觸覺模式來改進其咬取動作。

未來的自主機器人系統將使用更多人類示教數據和視觸覺融合方法來設計各種操作策略，提供更好地喂食服務。