Object-centric Representations for Interactive Online Learning with Non-Parametric Methods

要約

大規模なオフライン学習ベースのモデルにより、ロボットはさまざまなタスクでオブジェクトと正常に対話できるようになりました。
ただし、これらのモデルは、かなり一貫した構造化された環境に依存しています。
より非構造化された環境では、環境内のオブジェクトと正常に対話するために、そのオブジェクトに関する情報を収集および推定するオンライン学習コンポーネントが必要です。
残念なことに、ベイジアン ノンパラメトリック モデルのようなオンライン学習方法は、インタラクション ベースのタスクの望ましい結果であることが多い環境の変化に対処するのが困難です。
私たちは、対話型のオンライン学習にオブジェクト中心の表現を使用することを提案します。
この表現は、ロボットの動作をオブジェクトの座標フレームに変換することによって生成されます。
このタスク関連空間に切り替えることで、オンラインで収集されたトレーニング データを推論する能力がどのように向上し、ロボットとオブジェクトのインタラクションのスケーラブルなオンライン学習が可能になるかを示します。
インタラクションベースの制約に違反することなく、複数の未知のオブジェクトが存在する環境内でマニピュレータ アームをうまくナビゲートすることで、私たちの方法を紹介します。

要約(オリジナル)

Large offline learning-based models have enabled robots to successfully interact with objects for a wide variety of tasks. However, these models rely on fairly consistent structured environments. For more unstructured environments, an online learning component is necessary to gather and estimate information about objects in the environment in order to successfully interact with them. Unfortunately, online learning methods like Bayesian non-parametric models struggle with changes in the environment, which is often the desired outcome of interaction-based tasks. We propose using an object-centric representation for interactive online learning. This representation is generated by transforming the robot’s actions into the object’s coordinate frame. We demonstrate how switching to this task-relevant space improves our ability to reason with the training data collected online, enabling scalable online learning of robot-object interactions. We showcase our method by successfully navigating a manipulator arm through an environment with multiple unknown objects without violating interaction-based constraints.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google