Graph learning in robotics: a survey

要約

グラフ用のディープ ニューラル ネットワークは、複雑な非ユークリッド データを学習するための強力なツールとして登場しており、さまざまなアプリケーションでますます一般的になりつつあります。
しかし、グラフ学習の可能性は機械学習コミュニティでは広く認識されていますが、ロボット工学アプリケーションなどの下流タスクではグラフ学習はほとんど研究されていません。
したがって、その可能性を完全に解き放つために、ロボット工学の観点からグラフ ニューラル アーキテクチャを見直すことを提案します。
このペーパーでは、そのアーキテクチャ、トレーニング手順、アプリケーションなど、グラフベースのモデルの基礎について説明します。
また、最近の進歩と、たとえば知覚、意思決定、制御の統合に関連する応用設定で生じる課題についても説明します。
最後に、この論文では、物体と接触のモデリング、ロボット操作、動作認識、フリート運動計画など、グラフ構造の学習から恩恵を受けるさまざまなロボット アプリケーションについて広範なレビューを提供します。
この調査は、ロボット工学におけるグラフ ニューラル アーキテクチャの機能と限界を読者に徹底的に理解し、将来の研究の可能性を明らかにすることを目的としています。

要約(オリジナル)

Deep neural networks for graphs have emerged as a powerful tool for learning on complex non-euclidean data, which is becoming increasingly common for a variety of different applications. Yet, although their potential has been widely recognised in the machine learning community, graph learning is largely unexplored for downstream tasks such as robotics applications. To fully unlock their potential, hence, we propose a review of graph neural architectures from a robotics perspective. The paper covers the fundamentals of graph-based models, including their architecture, training procedures, and applications. It also discusses recent advancements and challenges that arise in applied settings, related for example to the integration of perception, decision-making, and control. Finally, the paper provides an extensive review of various robotic applications that benefit from learning on graph structures, such as bodies and contacts modelling, robotic manipulation, action recognition, fleet motion planning, and many more. This survey aims to provide readers with a thorough understanding of the capabilities and limitations of graph neural architectures in robotics, and to highlight potential avenues for future research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google