Research Report — Persistent Autonomy and Robot Learning Lab

要約

非構造化環境で幅広いミッションで操作タスクを実行できるロボットは、人間の生活に影響を与え、向上させる多数のアプリケーションを開発できます。
ロボット学習における既存の研究では、従来の機械学習アルゴリズムを適用して、製造、サービス、ヘルスケアなどのアプリケーションにおいて、比較的単純な操作タスクをロボットが再現できるようにすることに成功していることが示されています。
ただし、本質的に多面的で必然的に複雑な複雑な操作タスク用の堅牢で汎用性の高いモデルを学習するには、ロボット学習におけるアルゴリズムの進歩が必要です。
私たちの研究は、複雑なタスクを実行できるシステムを必要とする現実世界のシナリオにロボットのアプリケーションを拡張することで、一般の人々がロボットをより利用しやすく、使いやすくするという長期目標をサポートします。
この目標を達成するために、私たちは人間とロボットの相互作用と人間の指示からのロボット学習を活用して、複雑な操作タスクのロボット学習における知識のギャップを特定して調査することに焦点を当てています。
この文書は、マサチューセッツ大学ローウェル校の持続的自律性とロボット学習 (PeARL) 研究室における最近の研究開発の概要を示しています。
ここでは、さまざまな研究の方向性について簡単に説明し、最新の出版物で提案されているアプローチをいくつか紹介します。
次に、提案されたアプローチごとに、この分野を前進させる可能性のある将来の方向性について言及します。

要約(オリジナル)

Robots capable of performing manipulation tasks in a broad range of missions in unstructured environments can develop numerous applications to impact and enhance human life. Existing work in robot learning has shown success in applying conventional machine learning algorithms to enable robots for replicating rather simple manipulation tasks in manufacturing, service and healthcare applications, among others. However, learning robust and versatile models for complex manipulation tasks that are inherently multi-faceted and naturally intricate demands algorithmic advancements in robot learning. Our research supports the long-term goal of making robots more accessible and serviceable to the general public by expanding robot applications to real-world scenarios that require systems capable of performing complex tasks. To achieve this goal, we focus on identifying and investigating knowledge gaps in robot learning of complex manipulation tasks by leveraging upon human-robot interaction and robot learning from human instructions. This document presents an overview of the recent research developments in the Persistent Autonomy and Robot Learning (PeARL) lab at the University of Massachusetts Lowell. Here, I briefly discuss different research directions, and present a few proposed approaches in our most recent publications. For each proposed approach, I then mention potential future directions that can advance the field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google