Efficient Robot Learning for Perception and Mapping

要約

全体的なシーンの理解は、その環境におけるロボット エージェントの自律的な動作に根本的な貢献をもたらします。
重要な要素には、空間構造を捉えるための環境の明確に定義された表現や、個々のオブジェクトの輪郭を描きながら意味論的な意味を割り当てることが含まれます。
これらのタスクに対処するロボット工学者のツールボックスの古典的なコンポーネントは、同時位置特定とマッピング (SLAM) とパノプティック セグメンテーションです。
最近の手法は、主に深層学習の採用により目覚ましい進歩を示していますが、一般的には大規模なデータセットに対するドメイン内トレーニングを利用します。
このようなパラダイムに従うと現実世界への応用が大幅に制限されるため、私の研究では、知覚ベースのロボット システムをこれまで見たことのない環境に展開する際に人間の労力を最小限に抑える方法を調査しています。
特に、継続的な学習を活用し、効率的な学習を実現するために人間による注釈を減らすことに重点を置いています。
私の仕事の概要は https://vniclas.github.io でご覧いただけます。

要約(オリジナル)

Holistic scene understanding poses a fundamental contribution to the autonomous operation of a robotic agent in its environment. Key ingredients include a well-defined representation of the surroundings to capture its spatial structure as well as assigning semantic meaning while delineating individual objects. Classic components from the toolbox of roboticists to address these tasks are simultaneous localization and mapping (SLAM) and panoptic segmentation. Although recent methods demonstrate impressive advances, mostly due to employing deep learning, they commonly utilize in-domain training on large datasets. Since following such a paradigm substantially limits their real-world application, my research investigates how to minimize human effort in deploying perception-based robotic systems to previously unseen environments. In particular, I focus on leveraging continual learning and reducing human annotations for efficient learning. An overview of my work can be found at https://vniclas.github.io.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google