A Survey of Knowledge Representation in Service Robotics

要約

サービスロボット工学の分野では、研究者はロボットによるタスク実行のための操作としての動作の学習、理解、表現に多大な労力を費やしてきました。
ロボットの学習と問題解決のタスクは、物体の検出、アクティビティ認識、タスク/動作計画、位置特定、知識の表現と検索、知覚/視覚と機械学習の絡み合いなどのさまざまなタスクを統合するため、非常に幅広いです。
テクニック。
この論文では、知識表現のみに焦点を当て、特に過去数十年間に研究者が行ってきたように、問題を解決するために知識がどのように収集、表現、再生産されるのかに注目します。
知識表現の定義に従って、そのような表現と、機械学習、深層学習、確率的モデリング、意味論的グラフィック構造など、近年広く導入され研究されている有用な学習モデルとの重要な違いについて説明します。
このようなツールの概要とともに、ロボット学習に存在する問題と、それらが解決に貢献したソリューション、テクノロジー、または開発 (存在する場合) としてどのように構築され、使用されてきたかについて説明します。
最後に、効果的な知識表現を設計する際に考慮すべき重要な原則について説明します。

要約(オリジナル)

Within the realm of service robotics, researchers have placed a great amount of effort into learning, understanding, and representing motions as manipulations for task execution by robots. The task of robot learning and problem-solving is very broad, as it integrates a variety of tasks such as object detection, activity recognition, task/motion planning, localization, knowledge representation and retrieval, and the intertwining of perception/vision and machine learning techniques. In this paper, we solely focus on knowledge representations and notably how knowledge is typically gathered, represented, and reproduced to solve problems as done by researchers in the past decades. In accordance with the definition of knowledge representations, we discuss the key distinction between such representations and useful learning models that have extensively been introduced and studied in recent years, such as machine learning, deep learning, probabilistic modelling, and semantic graphical structures. Along with an overview of such tools, we discuss the problems which have existed in robot learning and how they have been built and used as solutions, technologies or developments (if any) which have contributed to solving them. Finally, we discuss key principles that should be considered when designing an effective knowledge representation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google