Interactive Learning of Physical Object Properties Through Robot Manipulation and Database of Object Measurements

要約

この研究では、ロボット操作と物体測定値のデータベースを通じて、材料組成、質量、体積、剛性などの物理的物体の特性を自動的に抽出するためのフレームワークを紹介します。
このフレームワークには、テーブル上のオブジェクトについての学習を最大限に高めるための探索的なアクションの選択が含まれます。
ベイジアン ネットワークは、事前確率分布と測定アクションに関連する不確実性を組み込んで、オブジェクトのプロパティ間の条件依存関係をモデル化します。
このアルゴリズムは、期待される情報獲得に基づいて最適な探索アクションを選択し、ベイジアン推論を通じてオブジェクトのプロパティを更新します。
実験評価は、ベースラインと比較して効果的なアクションの選択と、それ以上学ぶべきことが何もない場合の実験の正しい終了を示します。
このアルゴリズムは、外観と矛盾するマテリアル特性を持つトリック オブジェクトが提示された場合に、インテリジェントに動作することが証明されました。
ロボット パイプラインは、ロギング モジュールおよびオブジェクトのオンライン データベースと統合されており、さまざまなグリッパーを使用した 63 のオブジェクトの 24,000 を超える測定値が含まれています。
すべてのコードとデータは公開されており、探索的な操作を通じてオブジェクトとその物理的特性の自動デジタル化が容易になります。

要約(オリジナル)

This work presents a framework for automatically extracting physical object properties, such as material composition, mass, volume, and stiffness, through robot manipulation and a database of object measurements. The framework involves exploratory action selection to maximize learning about objects on a table. A Bayesian network models conditional dependencies between object properties, incorporating prior probability distributions and uncertainty associated with measurement actions. The algorithm selects optimal exploratory actions based on expected information gain and updates object properties through Bayesian inference. Experimental evaluation demonstrates effective action selection compared to a baseline and correct termination of the experiments if there is nothing more to be learned. The algorithm proved to behave intelligently when presented with trick objects with material properties in conflict with their appearance. The robot pipeline integrates with a logging module and an online database of objects, containing over 24,000 measurements of 63 objects with different grippers. All code and data are publicly available, facilitating automatic digitization of objects and their physical properties through exploratory manipulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google