Deep Predictive Learning : Motion Learning Concept inspired by Cognitive Robotics

要約

深層学習ベースのアプローチでは、エンドツーエンドの環境認識とモーション生成を学習することで、機能設計コストを削減しながら、モデルのパフォーマンスを一般化できます。
しかし、このプロセスでは、学習データの収集に膨大なコストがかかり、ロボットとの物理的な接触を伴う試行錯誤には時間と人的リソースがかかります。
そこで、予測モデルの不完全性を想定し、現実世界の状況との予測誤差を最小限に抑える運動学習の概念「深層予測学習」を提案します。
深層予測学習は、現実世界と脳の間の予測誤差を最小限に抑えるために生物がどのように行動するかを説明する「フリーエネルギー原理と予測符号化理論」にインスピレーションを得ています。
ロボットは感覚運動情報に基づいて近未来の状況を予測し、現実とのギャップを最小限に抑える動作を生成します。
ロボットは、学習と現実のギャップを考慮しながらリアルタイムに動作を調整することで、未学習の状況でも柔軟にタスクを実行できます。
この論文では、深層予測学習の概念、その実装、および実際のロボットへの適用例について説明します。
コードとドキュメントは https://ogata-lab.github.io/eipl-docs から入手できます。

要約(オリジナル)

A deep learning-based approach can generalize model performance while reducing feature design costs by learning end-to-end environment recognition and motion generation. However, the process incurs huge training data collection costs and time and human resources for trial-and-error when involving physical contact with robots. Therefore, we propose “deep predictive learning,” a motion learning concept that assumes imperfections in the predictive model and minimizes the prediction error with the real-world situation. Deep predictive learning is inspired by the “free energy principle and predictive coding theory,” which explains how living organisms behave to minimize the prediction error between the real world and the brain. Robots predict near-future situations based on sensorimotor information and generate motions that minimize the gap with reality. The robot can flexibly perform tasks in unlearned situations by adjusting its motion in real-time while considering the gap between learning and reality. This paper describes the concept of deep predictive learning, its implementation, and examples of its application to real robots. The code and document are available at https: //ogata-lab.github.io/eipl-docs

arxiv情報

提供元, 利用サービス

arxiv.jp, Google