Gaussian Mixture Models for Affordance Learning using Bayesian Networks

要約

アフォーダンスは、アクション、オブジェクト、効果の間の関係を表す基本的な記述子です。
これらは、ロボットが効果を予測し、動作を認識し、オブジェクトを選択し、望ましい目標に従って動作を計画できる手段を提供します。
この論文は、身体化されたエージェントが世界を探索し、その感覚経験から自律的にこれらのアフォーダンスを学習するという問題にアプローチします。
この知識をエンコードするベイジアン ネットワークの構造とパラメーターを学習するためのモデルが存在します。
ベイジアン ネットワークは不確実性と冗長性に対処できますが、以前の研究では離散感覚データの完全な観測可能性が考慮されており、ノイズが存在するとハード エラーが発生する可能性があります。
この論文では、ガウス混合モデル (GMM) によるセンサーの確率的表現を検討し、各離散アフォーダンス概念に含まれる確率分布を明示的に考慮することで、より正確な学習につながる可能性があります。

要約(オリジナル)

Affordances are fundamental descriptors of relationships between actions, objects and effects. They provide the means whereby a robot can predict effects, recognize actions, select objects and plan its behavior according to desired goals. This paper approaches the problem of an embodied agent exploring the world and learning these affordances autonomously from its sensory experiences. Models exist for learning the structure and the parameters of a Bayesian Network encoding this knowledge. Although Bayesian Networks are capable of dealing with uncertainty and redundancy, previous work considered complete observability of the discrete sensory data, which may lead to hard errors in the presence of noise. In this paper we consider a probabilistic representation of the sensors by Gaussian Mixture Models (GMMs) and explicitly taking into account the probability distribution contained in each discrete affordance concept, which can lead to a more correct learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google