Interactive Learning of Physical Object Properties Through Robot Manipulation and Database of Object Measurements

要約

この研究では、ロボット操作と物体測定値のデータベースを通じて、材料組成、質量、体積、剛性などの物理的物体特性を自動的に抽出するためのフレームワークを提示する。このフレームワークは、テーブル上の物体に関する学習を最大化するための探索的動作選択を含む。ベイジアンネットワークは、事前の確率分布と測定動作に関連する不確実性を組み込んで、物体特性間の条件付き依存関係をモデル化する。このアルゴリズムは、期待される情報利得に基づいて最適な探索行動を選択し、ベイズ推論によってオブジェクトの特性を更新する。実験評価により、ベースラインと比較した効果的な行動選択と、これ以上学習することがない場合の正しい実験終了が実証された。このアルゴリズムは、外見と相反する材料特性を持つトリックオブジェクトが提示された場合でも、インテリジェントに動作することが証明された。ロボットパイプラインは、ロギングモジュールと物体のオンラインデータベースと統合されており、異なるグリッパーを使用した63の物体の24,000を超える測定値を含んでいる。すべてのコードとデータは一般に公開されており、探索的な操作による物体とその物理的特性の自動デジタル化が容易になっている。

要約(オリジナル)

This work presents a framework for automatically extracting physical object properties, such as material composition, mass, volume, and stiffness, through robot manipulation and a database of object measurements. The framework involves exploratory action selection to maximize learning about objects on a table. A Bayesian network models conditional dependencies between object properties, incorporating prior probability distributions and uncertainty associated with measurement actions. The algorithm selects optimal exploratory actions based on expected information gain and updates object properties through Bayesian inference. Experimental evaluation demonstrates effective action selection compared to a baseline and correct termination of the experiments if there is nothing more to be learned. The algorithm proved to behave intelligently when presented with trick objects with material properties in conflict with their appearance. The robot pipeline integrates with a logging module and an online database of objects, containing over 24,000 measurements of 63 objects with different grippers. All code and data are publicly available, facilitating automatic digitization of objects and their physical properties through exploratory manipulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL