Interactive Continual Learning Architecture for Long-Term Personalization of Home Service Robots

要約

ロボットが構造化されていない家庭環境で支援タスクを実行するには、環境の意味論的な知識を学習し、推論する必要があります。
意味論的推論アーキテクチャの開発が復活しているにもかかわらず、これらの手法はすべてのトレーニング データが事前に利用可能であることを前提としています。
ただし、各ユーザーの環境は固有であり、時間の経過とともに変化し続ける可能性があるため、これらの方法はパーソナライズされたホームサービスロボットには適していません。
継続学習の研究では、時間の経過とともに学習して適応できる方法が開発されていますが、これらの方法のほとんどは、静的画像データセット上のオブジェクト分類という狭いコンテキストでテストされています。
この論文では、継続学習、意味論的推論、および対話型機械学習の文献からのアイデアを組み合わせて、人間とロボットの相互作用を通じて家庭環境で意味論的知識を継続的に学習するための新しい対話型継続学習アーキテクチャを開発します。
このアーキテクチャは、人間からの新しい知識を効率的かつリアルタイムで学習するための、学習と記憶の中核となる認知原則に基づいて構築されています。
私たちはアーキテクチャを物理的な移動マニピュレーター ロボットと統合し、実験室環境で 2 か月間にわたって広範なシステム評価を実行します。
私たちの結果は、物理ロボットがユーザー（実験者）から提供された限られたデータから環境の変化に継続的に適応し、学習した知識を使用してオブジェクトを取得するタスクを実行できるようにするアーキテクチャの有効性を示しています。

要約(オリジナル)

For robots to perform assistive tasks in unstructured home environments, they must learn and reason on the semantic knowledge of the environments. Despite a resurgence in the development of semantic reasoning architectures, these methods assume that all the training data is available a priori. However, each user’s environment is unique and can continue to change over time, which makes these methods unsuitable for personalized home service robots. Although research in continual learning develops methods that can learn and adapt over time, most of these methods are tested in the narrow context of object classification on static image datasets. In this paper, we combine ideas from continual learning, semantic reasoning, and interactive machine learning literature and develop a novel interactive continual learning architecture for continual learning of semantic knowledge in a home environment through human-robot interaction. The architecture builds on core cognitive principles of learning and memory for efficient and real-time learning of new knowledge from humans. We integrate our architecture with a physical mobile manipulator robot and perform extensive system evaluations in a laboratory environment over two months. Our results demonstrate the effectiveness of our architecture to allow a physical robot to continually adapt to the changes in the environment from limited data provided by the users (experimenters), and use the learned knowledge to perform object fetching tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google