Loss Regularizing Robotic Terrain Classification

要約

脚式ロボットの移動力学は、困難な地形を歩き回る場合に適しています。
このようなロボットの地形を認識することは、ロボットの動きの多様性を完全に発揮するために重要です。
したがって、リアルタイムで高精度に地形を分類するには、ロボットによる地形分類が重要になります。
従来の分類器には、過剰適合の問題、低精度の問題、高分散の問題があり、ライブ データセットには適していません。
一方、畳み込みベースの地形分類では、増大するデータセットを分類することは困難です。
教師付きリカレント モデルも、この分類には実用的ではありません。
さらに、既存のリカレント アーキテクチャは、脚式ロボットから収集された生の可変長感覚データに基づいて地形分類の精度を向上させるために進化し続けています。
この論文では、長い可変長データセットの前処理を回避して、脚式ロボットの地形を分類するための新しい半教師あり手法を提案します。
提案された方法は、新しい損失正則化を含む、スタックされた長期短期メモリ アーキテクチャを備えています。
提案された手法は既存の問題を解決し、精度を向上させます。
既存のアーキテクチャと比較すると、改善が見られます。

要約(オリジナル)

Locomotion mechanics of legged robots are suitable when pacing through difficult terrains. Recognising terrains for such robots are important to fully yoke the versatility of their movements. Consequently, robotic terrain classification becomes significant to classify terrains in real time with high accuracy. The conventional classifiers suffer from overfitting problem, low accuracy problem, high variance problem, and not suitable for live dataset. On the other hand, classifying a growing dataset is difficult for convolution based terrain classification. Supervised recurrent models are also not practical for this classification. Further, the existing recurrent architectures are still evolving to improve accuracy of terrain classification based on live variable-length sensory data collected from legged robots. This paper proposes a new semi-supervised method for terrain classification of legged robots, avoiding preprocessing of long variable-length dataset. The proposed method has a stacked Long Short-Term Memory architecture, including a new loss regularization. The proposed method solves the existing problems and improves accuracy. Comparison with the existing architectures show the improvements.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google