Leveraging Computation of Expectation Models for Commonsense Affordance Estimation on 3D Scene Graphs

要約

この記事では、都市環境で具体化されたロボットエージェントの人間に近いタスク計画とタスクの最適化を可能にするための常識的なオブジェクトアフォーダンスの概念を研究しています。
オブジェクトアフォーダンスの焦点は、タスク実行中にオブジェクトの固有のユーティリティを効果的に識別する方法を推論することです。この作業では、3Dシーングラフのまばらな情報のコンテキスト関係の分析を通じて有効になります。
提案されたフレームワークは、グラフ畳み込みネットワークを使用して確率分布を学習する相関情報（CECI）モデルを開発し、セマンティッククラスの個々のメンバーの常識的なアフォーダンスを抽出できます。
全体的なフレームワークは、実世界の屋内環境で実験的に検証され、人間の常識とレベルを合わせる方法の能力を示しています。
記事のビデオについては、実験的なデモンストレーションを紹介するには、次のリンクを参照してください：https：//youtu.be/bdcmvx2giqe

要約(オリジナル)

This article studies the commonsense object affordance concept for enabling close-to-human task planning and task optimization of embodied robotic agents in urban environments. The focus of the object affordance is on reasoning how to effectively identify object’s inherent utility during the task execution, which in this work is enabled through the analysis of contextual relations of sparse information of 3D scene graphs. The proposed framework develops a Correlation Information (CECI) model to learn probability distributions using a Graph Convolutional Network, allowing to extract the commonsense affordance for individual members of a semantic class. The overall framework was experimentally validated in a real-world indoor environment, showcasing the ability of the method to level with human commonsense. For a video of the article, showcasing the experimental demonstration, please refer to the following link: https://youtu.be/BDCMVx2GiQE

arxiv情報

提供元, 利用サービス

arxiv.jp, Google