SECURE: Semantics-aware Embodied Conversation under Unawareness for Lifelong Robot Learning

要約

この論文では、「無意識下での再配置」と呼ばれる、困難な対話型タスク学習シナリオについて取り上げます。これは、指示されたタスクを解決するための鍵となる概念をロボットが認識していない状況で剛体環境を操作することです。
我々は、身体化された会話を使用して欠陥のあるドメインモデルを修正することによってそのような問題を解決するように設計された対話型タスク学習フレームワークであるSECUREを提案します。
ロボットは対話を通じて予期せぬ可能性を発見し、それを活用する方法を学習します。
SECURE を使用すると、ロボットは間違いを犯したときにユーザーの修正フィードバックから学習するだけでなく、指示されたタスクを解決するための新しい概念に関する有用な証拠を明らかにするための戦略的な対話の決定を行うことも学習します。
これらの能力を組み合わせることで、ロボットは新しく獲得した知識を使用して後続のタスクに一般化することができます。
私たちは、意味論を認識するロボット、つまり、学習と推論のプロセスにおいて文と談話の意味論の両方の論理的結果を利用するロボットが、そのような機能を持たないロボットよりも、無意識下での再配置をより効果的に解決することを学習することを実証します。

要約(オリジナル)

This paper addresses a challenging interactive task learning scenario we call rearrangement under unawareness: to manipulate a rigid-body environment in a context where the robot is unaware of a concept that’s key to solving the instructed task. We propose SECURE, an interactive task learning framework designed to solve such problems by fixing a deficient domain model using embodied conversation. Through dialogue, the robot discovers and then learns to exploit unforeseen possibilities. Using SECURE, the robot not only learns from the user’s corrective feedback when it makes a mistake, but it also learns to make strategic dialogue decisions for revealing useful evidence about novel concepts for solving the instructed task. Together, these abilities allow the robot to generalise to subsequent tasks using newly acquired knowledge. We demonstrate that a robot that is semantics-aware — that is, it exploits the logical consequences of both sentence and discourse semantics in the learning and inference process — learns to solve rearrangement under unawareness more effectively than a robot that lacks such capabilities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google