AIREC护理数据训练预测模型：3万维输入、两类任务
图：早稻田大学AIREC项目官方视频（Dry-AIREC起身辅助演示）早稻田大学与NCNP团队用Dry-AIREC采集的视觉和关节数据训练可扩展PV-RNN，让单一模型学习翻身辅助与毛巾擦拭。研究直接处理超3万维输入，但测试在仿真中完成，尚不能等同于实体机器人自主护理落地。
早稻田大学与日本国立精神·神经医疗研究中心（NCNP）团队提出可扩展预测编码变分循环神经网络（scalable PV-RNN），尝试用一个模型学习两类护理任务：协助人体模型从仰卧转为坐起，以及用毛巾擦拭。
研究数据来自Dry-AIREC人形机器人。机器人头部配置双目RGB相机，双臂各有7个自由度并在关节上布置扭矩传感器；模型输入包括14个关节的角度与扭矩共28维，以及多分辨率双目图像共32256维。
与先做人工特征、降维或单独注意力模块的路线不同，这套模型直接处理超过3万维的视觉与本体感觉数据，通过最小化预测误差和变分自由能，在层级隐变量中组织不同任务及其阶段。
团队收集24条视觉—本体感觉序列，其中18条用于训练，翻身辅助和擦拭各9条，覆盖590、650和710毫米三种床高；另外6条未见序列用于测试，每类任务、每种床高各1条。
论文报告，模型能在层级表示中形成任务转换节点，并在视觉信息降质时利用关节角度和扭矩信号降低预测误差；遮挡出现时，内部状态还能继续推断部分不可见目标。这些结论来自论文设定下的模型评估。
关键边界是测试阶段在仿真中完成，而不是让实体AIREC面对真实患者自主执行。训练数据虽然由实体机器人遥操作采集，但论文没有验证真人护理中的安全性、舒适度、连续运行或意外动作处置。
尾形哲也实验室将论文列为Science Advances已接收成果。现阶段它更像是多任务护理控制的计算原理验证，距离临床或养老机构使用仍需实体复现实验、人员伦理审查、安全认证和长期可靠性数据。
AIREC早稻田官方站已提供Dry-AIREC“起身辅助”等视频，页面归属早稻田大学项目，机器人型号与护理场景一致；但该公开视频并非本论文仿真测试的直接录像。官方链接为https://www.youtube.com/watch?v=ONoTfoN_3wQ。当前RobotHub本地没有该视频MP4、海报或中英文字幕，审稿阶段仅记录来源。