Active Robot Vision for Distant Object Change Detection: A Lightweight Training Simulator Inspired by Multi-Armed Bandits

要約

地上視点の物体変化検出では、最近登場したマップレスナビゲーションは、遠くに検出された物体（本、カップ、衣服など）にロボットをナビゲートし、高解像度の物体画像を取得して、それらの変化状態（変化なし）を識別する大きな可能性を秘めています。
/現れる/消える)。
ただし、すべての遠くのオブジェクトに対して完全な移動を単純に実行するには、オブジェクトの数とロボットとオブジェクトの距離に比例して、膨大なセンス/計画/アクションのコストが必要になります。
この問題に対処するために、本研究では、「ロボットは次にどの旅を選択すべきか?」という新しい地図ベースのアクティブ ビジョンの問題を検討します。
しかし、アクティブビジョンフレームワークの実現可能性は依然として不明瞭です。
遠くにある物体は不確実にしか認識されないため、行動計画に十分な手がかりを提供できるかどうかは不明です。
この研究は、初期段階の研究開発サイクル (プロトタイピング、トレーニング、テスト、評価など) を加速するための実現可能性テスト用の効率的なシミュレーターを提供します。
提案されたシミュレーターは、ロボットビジョンシステム (センサー/認識装置/プランナー/アクチュエーター) が特定の環境 (ワークスペース/オブジェクト) に適用された場合に直面するであろう難易度を特定するように設計されています。
特に、機能するには、遠く離れたオブジェクトごとに現実世界の旅行体験が 1 回だけ必要なため、効率的な研究開発サイクルに適しています。
この研究のもう 1 つの貢献は、伝統的な多腕バンディット問題に触発された新しい軽量プランナーを提示することです。
具体的には、階層型アクション プランナーを構成するマップレス プランナーの上に、軽量のマップベースのプランナーを構築します。
意味的に自明ではないシナリオ「本棚としてのソファ」を使用して、提案されたフレームワークの有効性を検証しました。

要約(オリジナル)

In ground-view object change detection, the recently emerging mapless navigation has great potential to navigate a robot to objects distantly detected (e.g., books, cups, clothes) and acquire high-resolution object images, to identify their change states (no-change/appear/disappear). However, naively performing full journeys for every distant object requires huge sense/plan/action costs, proportional to the number of objects and the robot-to-object distance. To address this issue, we explore a new map-based active vision problem in this work: “Which journey should the robot select next?’ However, the feasibility of the active vision framework remains unclear; Since distant objects are only uncertainly recognized, it is unclear whether they can provide sufficient cues for action planning. This work presents an efficient simulator for feasibility testing, to accelerate the early-stage R&D cycles (e.g., prototyping, training, testing, and evaluation). The proposed simulator is designed to identify the degree of difficulty that a robot vision system (sensors/recognizers/planners/actuators) would face when applied to a given environment (workspace/objects). Notably, it requires only one real-world journey experience per distant object to function, making it suitable for an efficient R&D cycle. Another contribution of this work is to present a new lightweight planner inspired by the traditional multi-armed bandit problem. Specifically, we build a lightweight map-based planner on top of the mapless planner, which constitutes a hierarchical action planner. We verified the effectiveness of the proposed framework using a semantically non-trivial scenario “sofa as bookshelf’.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google