Unlock Reliable Skill Inference for Quadruped Adaptive Behavior by Skill Graph

要約

目に見えない野生の状況に迅速に適応できるロボットインテリジェントシステムの開発は、自律的なロボット工学を追求する上で重要な課題の1つです。
足のロボットの分野での歩行安定性とスキル学習におけるいくつかの印象的な進歩がなされてきましたが、迅速な適応能力は自然の動物の能力よりも依然として劣っています。
動物は、生き残るために必要な膨大なスキルセットで生まれ、経験が限られている基本的なスキルを構成することで、すぐに新しいスキルを獲得することができます。
これに触発されて、ロボットの基本的なスキルを整理し、迅速に適応のためにそれらを巧みに再利用するためのロボットスキルグラフ（RSG）という名前の新しいフレームワークを提案します。
ナレッジグラフ（kg）に似た構造を持つRSGは、KGの静的な知識ではなく大規模な動的行動スキルで構成され、ロボットの学習コンテキストと習得スキルの間に存在する暗黙の関係を発見し、ロボットのスキル学習に存在する微妙なパターンを理解するための出発点として機能します。
大規模な実験結果は、RSGが新しいタスクや環境に信頼できるスキル推論を提供し、4倍のロボットが新しいシナリオに適応し、迅速に新しいスキルを学ぶことができることを示しています。

要約(オリジナル)

Developing robotic intelligent systems that can adapt quickly to unseen wild situations is one of the critical challenges in pursuing autonomous robotics. Although some impressive progress has been made in walking stability and skill learning in the field of legged robots, their ability for fast adaptation is still inferior to that of animals in nature. Animals are born with a massive set of skills needed to survive, and can quickly acquire new ones, by composing fundamental skills with limited experience. Inspired by this, we propose a novel framework, named Robot Skill Graph (RSG) for organizing a massive set of fundamental skills of robots and dexterously reusing them for fast adaptation. Bearing a structure similar to the Knowledge Graph (KG), RSG is composed of massive dynamic behavioral skills instead of static knowledge in KG and enables discovering implicit relations that exist in between the learning context and acquired skills of robots, serving as a starting point for understanding subtle patterns existing in robots’ skill learning. Extensive experimental results demonstrate that RSG can provide reliable skill inference upon new tasks and environments, and enable quadruped robots to adapt to new scenarios and quickly learn new skills.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google