Deep Predictive Learning: Motion Learning Concept inspired by Cognitive Robotics

要約

限られたデータを使用してロボットを現実世界に展開することで、モーション モデルと現実の間のギャップを埋めることが重要です。
ディープラーニングは、環境認識と動作生成のためのエンドツーエンド学習を通じて機能設計コストを削減しながら、さまざまな状況に一般化されることが期待されています。
しかし、モデルのトレーニングのためのデータ収集にはコストがかかり、物理的な接触を伴うロボットの試行錯誤には時間と人的リソースが不可欠です。
私たちは、予測モデルの不完全性を想定してロボットの感覚運動ダイナミクスを予測する動作学習概念「深層予測学習」を提案します。
予測符号化理論は、上記の問題を解決するためにこの概念を発想させました。
これは、ロボットの近い将来の感覚運動状態を予測し、現実世界とモデル間の予測誤差をオンラインで最小化するという基本戦略に基づいています。
取得したセンサー情報に基づいて、ロボットはリアルタイムで動作を調整できるため、学習体験と現実との差異を許容できます。
さらに、ロボットは、モデルに組み込まれた運動ダイナミクスを組み合わせることにより、幅広いタスクを実行することが期待されていました。
本稿では、提案されたコンセプト、その実装、および実際のロボットへの応用例について説明します。
コードとドキュメントは https://ogata-lab.github.io/eipl-docs から入手できます。

要約(オリジナル)

Bridging the gap between motion models and reality is crucial by using limited data to deploy robots in the real world. Deep learning is expected to be generalized to diverse situations while reducing feature design costs through end-to-end learning for environmental recognition and motion generation. However, data collection for model training is costly, and time and human resources are essential for robot trial-and-error with physical contact. We propose ‘Deep Predictive Learning,’ a motion learning concept that predicts the robot’s sensorimotor dynamics, assuming imperfections in the prediction model. The predictive coding theory inspires this concept to solve the above problems. It is based on the fundamental strategy of predicting the near-future sensorimotor states of robots and online minimization of the prediction error between the real world and the model. Based on the acquired sensor information, the robot can adjust its behavior in real time, thereby tolerating the difference between the learning experience and reality. Additionally, the robot was expected to perform a wide range of tasks by combining the motion dynamics embedded in the model. This paper describes the proposed concept, its implementation, and examples of its applications in real robots. The code and documents are available at: https://ogata-lab.github.io/eipl-docs

arxiv情報

提供元, 利用サービス

arxiv.jp, Google