Bringing robotics taxonomies to continuous domains via GPLVM on hyperbolic manifolds

要約

ロボット分類は、人間がどのように移動し、環境と相互作用するかを分類する高レベルの階層的抽象概念として機能します。
これらは、掴み、操作スキル、全身のサポートポーズを分析するのに役立つことが証明されています。
その階層と基礎となるカテゴリの設計に多大な労力が費やされたにもかかわらず、アプリケーション分野での使用は依然として限られています。
これは、分類法の個別の階層構造とそのカテゴリーに関連付けられた高次元の異種データとの間のギャップを埋める計算モデルが不足していることに起因すると考えられます。
この問題を解決するために、関連する階層構造を捕捉する双曲線埋め込みを介して分類データをモデル化することを提案します。
これは、潜在空間に関するグラフベースの事前分布と距離保存後方制約による分類構造を組み込んだ、新しいガウス過程双曲線潜在変数モデルを定式化することで実現します。
元のグラフ構造を忠実に保存する双曲線埋め込みを学習するために、3 つの異なるロボット分類法に基づいてモデルを検証します。
私たちのモデルは、既存または新しい分類カテゴリからの目に見えないポーズを適切にエンコードし、埋め込み間の軌道を生成するために使用でき、ユークリッドの対応物よりも優れたパフォーマンスを発揮することを示します。

要約(オリジナル)

Robotic taxonomies serve as high-level hierarchical abstractions that classify how humans move and interact with their environment. They have proven useful to analyse grasps, manipulation skills, and whole-body support poses. Despite substantial efforts devoted to design their hierarchy and underlying categories, their use in application fields remains limited. This may be attributed to the lack of computational models that fill the gap between the discrete hierarchical structure of the taxonomy and the high-dimensional heterogeneous data associated to its categories. To overcome this problem, we propose to model taxonomy data via hyperbolic embeddings that capture the associated hierarchical structure. We achieve this by formulating a novel Gaussian process hyperbolic latent variable model that incorporates the taxonomy structure through graph-based priors on the latent space and distance-preserving back constraints. We validate our model on three different robotics taxonomies to learn hyperbolic embeddings that faithfully preserve the original graph structure. We show that our model properly encodes unseen poses from existing or new taxonomy categories, can be used to generate trajectories between the embeddings, and outperforms its Euclidean counterparts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google