Active Learning of Robot Vision Using Adaptive Path Planning

要約

ロボットには、幾何学を超えて環境を認識し推論するための、堅牢で柔軟な視覚システムが必要です。
このようなシステムのほとんどは、深層学習アプローチに基づいて構築されています。
自律ロボットは通常、最初は未知の環境に配備されるため、静的データセットでの事前トレーニングでは常にさまざまな領域をキャプチャできるわけではなく、ミッション中のロボットの視覚パフォーマンスが制限されます。
最近、ロボットの視覚を改善するために、自己教師ありおよび完全教師ありのアクティブ学習手法が登場しました。
これらのアプローチは、大規模なドメイン内事前トレーニング データセットに依存するか、人間による多大なラベル付け作業を必要とします。
これらの問題に対処するために、セマンティック地形監視ミッションにおける人間によるラベル付けの要件を大幅に削減するために、効率的なトレーニング データ収集のための最近の適応型計画フレームワークを紹介します。
この目的を達成するために、高品質の人によるラベルと自動生成された疑似ラベルを組み合わせます。
実験結果は、このフレームワークが完全に教師ありのアプローチに近いセグメンテーション パフォーマンスに達し、人間によるラベル付けの労力が大幅に削減され、純粋に自己教師ありのアプローチを上回るパフォーマンスを示していることを示しています。
現在の手法の利点と限界について議論し、未知の環境におけるより堅牢で柔軟なロボットビジョンシステムに向けた将来の貴重な研究手段の概要を概説します。

要約(オリジナル)

Robots need robust and flexible vision systems to perceive and reason about their environments beyond geometry. Most of such systems build upon deep learning approaches. As autonomous robots are commonly deployed in initially unknown environments, pre-training on static datasets cannot always capture the variety of domains and limits the robot’s vision performance during missions. Recently, self-supervised as well as fully supervised active learning methods emerged to improve robotic vision. These approaches rely on large in-domain pre-training datasets or require substantial human labelling effort. To address these issues, we present a recent adaptive planning framework for efficient training data collection to substantially reduce human labelling requirements in semantic terrain monitoring missions. To this end, we combine high-quality human labels with automatically generated pseudo labels. Experimental results show that the framework reaches segmentation performance close to fully supervised approaches with drastically reduced human labelling effort while outperforming purely self-supervised approaches. We discuss the advantages and limitations of current methods and outline valuable future research avenues towards more robust and flexible robotic vision systems in unknown environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google