A Bayesian Framework for Active Tactile Object Recognition, Pose Estimation and Shape Transfer Learning

要約

人間がアクティブなタッチを通じて世界を探索し理解できるように、ロボットにも同様の機能が求められます。
この論文では、カスタマイズされた粒子フィルター (PF) とガウス プロセス陰的曲面 (GPIS) が統一されたベイジアン フレームワークで組み合わされる、能動的な触覚物体認識、姿勢推定、および形状伝達学習の問題に取り組みます。
新しい触覚入力があると、カスタマイズされた PF は、オブジェクトの新規性を追跡しながら、オブジェクト クラスとオブジェクトの姿勢の結合分布を更新します。
新しい物体が特定されると、その形状は GPIS を使用して再構築されます。
PF からの最大事後推定 (MAP) 推定を使用して GPIS の事前分布を確立することにより、既知の形状に関する知識を新しい形状の学習に転送できます。
全球形状推定に基づく探査手順は、アクティブなデータ取得をガイドし、十分な情報が得られた時点で探査を終了するために提案されています。
シミュレーションでの実験を通じて、提案されたフレームワークは、既知のオブジェクトのオブジェクト クラスと姿勢を推定し、新しい形状を学習する際の有効性と効率性を実証しました。
さらに、以前に学習した形状を確実に認識できます。

要約(オリジナル)

As humans can explore and understand the world through active touch, similar capability is desired for robots. In this paper, we address the problem of active tactile object recognition, pose estimation and shape transfer learning, where a customized particle filter (PF) and Gaussian process implicit surface (GPIS) is combined in a unified Bayesian framework. Upon new tactile input, the customized PF updates the joint distribution of the object class and object pose while tracking the novelty of the object. Once a novel object is identified, its shape will be reconstructed using GPIS. By grounding the prior of the GPIS with the maximum-a-posteriori (MAP) estimation from the PF, the knowledge about known shapes can be transferred to learn novel shapes. An exploration procedure based on global shape estimation is proposed to guide active data acquisition and terminate the exploration upon sufficient information. Through experiments in simulation, the proposed framework demonstrated its effectiveness and efficiency in estimating object class and pose for known objects and learning novel shapes. Furthermore, it can recognize previously learned shapes reliably.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google