Transition State Clustering for Interaction Segmentation and Learning

要約

基礎となる混合ガウス構造を備えた隠れマルコフ モデルは、ガウス混合回帰を介したさまざまなインタラクティブ タスクのデモンストレーションから人間とロボットの相互作用を学習するのに効果的であることが証明されています。
しかし、人間とロボットの関節状態と比較して、観察された人間の状態のみを使用してインタラクションをセグメント化すると、不一致が発生します。
この基礎となるセグメンテーションとその後のガウス混合ベースのアプローチの予測能力を強化するために、遷移境界での状態の追加の混合分布を学習することで階層的アプローチを採用します。
これは、このような状態で通常発生する誤分類を防ぐのに役立ちます。
私たちのフレームワークにより、基礎となるガウス混合ベースのアプローチのパフォーマンスが向上することがわかりました。このアプローチは、ハンドシェイクやガッツポーズなどのさまざまなインタラクティブなタスクで評価されます。

要約(オリジナル)

Hidden Markov Models with an underlying Mixture of Gaussian structure have proven effective in learning Human-Robot Interactions from demonstrations for various interactive tasks via Gaussian Mixture Regression. However, a mismatch occurs when segmenting the interaction using only the observed state of the human compared to the joint state of the human and the robot. To enhance this underlying segmentation and subsequently the predictive abilities of such Gaussian Mixture-based approaches, we take a hierarchical approach by learning an additional mixture distribution on the states at the transition boundary. This helps prevent misclassifications that usually occur in such states. We find that our framework improves the performance of the underlying Gaussian Mixture-based approach, which we evaluate on various interactive tasks such as handshaking and fistbumps.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google