Recent Advances of Deep Robotic Affordance Learning: A Reinforcement Learning Perspective

要約

心理学の分野で提唱されている一般的な概念として、アフォーダンスは、人間が環境を理解し、相互作用することを可能にする重要な能力の 1 つと見なされてきました。
簡単に言えば、特定のオブジェクト、またはより一般的には環境の一部に適用されるエージェントのアクションの可能性と効果を捉えます。
このペーパーでは、ディープ ロボット アフォーダンス学習 (DRAL) の最近の開発について簡単に説明します。DRAL は、ロボット タスクを支援するためにアフォーダンスの概念を使用するデータ駆動型の方法を開発することを目的としています。
まず、強化学習 (RL) の観点からこれらの論文を分類し、RL とアフォーダンスの間の関係を描きます。
各カテゴリの技術的な詳細について説明し、それらの制限を特定します。
それらをさらに要約し、観察、行動、アフォーダンス表現、データ収集、および実世界での展開の側面から将来の課題を特定します。
最後に、任意のアクションの結果の予測を含めるように、RL ベースのアフォーダンス定義の有望な将来の方向性を提案するために、最後の発言が与えられます。

要約(オリジナル)

As a popular concept proposed in the field of psychology, affordance has been regarded as one of the important abilities that enable humans to understand and interact with the environment. Briefly, it captures the possibilities and effects of the actions of an agent applied to a specific object or, more generally, a part of the environment. This paper provides a short review of the recent developments of deep robotic affordance learning (DRAL), which aims to develop data-driven methods that use the concept of affordance to aid in robotic tasks. We first classify these papers from a reinforcement learning (RL) perspective, and draw connections between RL and affordances. The technical details of each category are discussed and their limitations identified. We further summarise them and identify future challenges from the aspects of observations, actions, affordance representation, data-collection and real-world deployment. A final remark is given at the end to propose a promising future direction of the RL-based affordance definition to include the predictions of arbitrary action consequences.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google