Leveraging Computation of Expectation Models for Commonsense Affordance Estimation on 3D Scene Graphs

要約

この記事では、都市環境において人間に近いタスク計画と、身体化されたロボットエージェントのタスク最適化を可能にするための常識的なオブジェクトアフォーダンス概念を研究します。
オブジェクト アフォーダンスの焦点は、タスクの実行中にオブジェクトの固有の有用性を効果的に識別する方法を推論することにあり、この研究では、3D シーン グラフのまばらな情報のコンテキスト関係の分析を通じてそれが可能になります。
提案されたフレームワークは、グラフ畳み込みネットワークを使用して確率分布を学習するための相関情報 (CECI) モデルを開発し、意味クラスの個々のメンバーの常識的なアフォーダンスを抽出できるようにします。
全体的なフレームワークは現実世界の屋内環境で実験的に検証され、この方法が人間の常識と一致する能力を示しました。
実験デモンストレーションを紹介する記事のビデオについては、次のリンクを参照してください: https://youtu.be/BDCMVx2GiQE

要約(オリジナル)

This article studies the commonsense object affordance concept for enabling close-to-human task planning and task optimization of embodied robotic agents in urban environments. The focus of the object affordance is on reasoning how to effectively identify object’s inherent utility during the task execution, which in this work is enabled through the analysis of contextual relations of sparse information of 3D scene graphs. The proposed framework develops a Correlation Information (CECI) model to learn probability distributions using a Graph Convolutional Network, allowing to extract the commonsense affordance for individual members of a semantic class. The overall framework was experimentally validated in a real-world indoor environment, showcasing the ability of the method to level with human commonsense. For a video of the article, showcasing the experimental demonstration, please refer to the following link: https://youtu.be/BDCMVx2GiQE

arxiv情報

提供元, 利用サービス

arxiv.jp, Google