TimewarpVAE: Simultaneous Time-Warping and Representation Learning of Trajectories

要約

人間による軌道のデモンストレーションは、多くの機械学習の問題に対するトレーニング データの重要なソースです。
ただし、複雑なタスクに対する人間のデモンストレーション データを収集するのは難しいため、それらの軌跡の効率的な表現を学習することが困難になります。
手書きや準静的な器用な操作などの多くの問題では、軌跡の正確なタイミングを空間パスの特性から考慮する必要があります。
この研究では、タイミング変動と空間変動の潜在要因の両方を同時に学習するためにダイナミック タイム ワーピング (DTW) を組み込んだ完全微分可能多様体学習アルゴリズムである TimewarpVAE を提案します。
TimewarpVAE アルゴリズムが、適切な時間調整と、小さな手書きデータセットとフォーク操作データセットの空間変化の意味のある表現をどのように学習するかを示します。
私たちの結果は、ベースラインアプローチよりも空間再構成テストエラーが低く、学習された低次元表現を使用して、意味的に意味のある新しい軌道を効率的に生成できます。

要約(オリジナル)

Human demonstrations of trajectories are an important source of training data for many machine learning problems. However, the difficulty of collecting human demonstration data for complex tasks makes learning efficient representations of those trajectories challenging. For many problems, such as for handwriting or for quasistatic dexterous manipulation, the exact timings of the trajectories should be factored from their spatial path characteristics. In this work, we propose TimewarpVAE, a fully differentiable manifold-learning algorithm that incorporates Dynamic Time Warping (DTW) to simultaneously learn both timing variations and latent factors of spatial variation. We show how the TimewarpVAE algorithm learns appropriate time alignments and meaningful representations of spatial variations in small handwriting and fork manipulation datasets. Our results have lower spatial reconstruction test error than baseline approaches and the learned low-dimensional representations can be used to efficiently generate semantically meaningful novel trajectories.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google