Active Exploration for Real-Time Haptic Training

要約

触覚は、接触を通じて世界と対話するロボット システムにとって重要です。
タッチは能動的な感覚であり、触覚の測定は、速度、力、加速度などの相互作用の接触特性と、センサーやテスト対象のオブジェクトの特性に依存します。
これらの依存関係により、触覚モデルのトレーニングが困難になります。
さらに、センサーの寿命の制限と触覚センサーの近接場特性の影響により、たとえ非常に単純な物体であっても、網羅的なデータセットを実際に収集することができなくなります。
アクティブ ラーニングは、データ収集中にオブジェクトの最も有益な側面のみに焦点を当てるメカニズムを提供します。
ここでは、データ駆動型モデルのエントロピーを不確実性の尺度として使用するアクティブ ラーニング アプローチを採用し、センサーの状態変数に条件付けされたそのエントロピーを基準にして探索します。
カバレッジベースのエルゴディック コントローラーを使用して、ほぼリアルタイムで知覚モデルをトレーニングします。
私たちは、形状、テクスチャ、オブジェクトで構成される「触覚シーン」を探索する、生体模倣センサーを使用したアプローチを実証します。
学習された各表現は、特定の触覚シーンの知覚センサー モデルを提供します。
アクティブに収集されたデータに基づいてトレーニングされたモデルは、リアルタイム トレーニング テストにおいて、ランダムに収集されたモデルよりも優れたパフォーマンスを発揮します。
さらに、結果として得られるネットワーク エントロピー マップを使用して、触覚シーンの顕著性の高い部分を識別できることもわかりました。

要約(オリジナル)

Tactile perception is important for robotic systems that interact with the world through touch. Touch is an active sense in which tactile measurements depend on the contact properties of an interaction–e.g., velocity, force, acceleration–as well as properties of the sensor and object under test. These dependencies make training tactile perceptual models challenging. Additionally, the effects of limited sensor life and the near-field nature of tactile sensors preclude the practical collection of exhaustive data sets even for fairly simple objects. Active learning provides a mechanism for focusing on only the most informative aspects of an object during data collection. Here we employ an active learning approach that uses a data-driven model’s entropy as an uncertainty measure and explore relative to that entropy conditioned on the sensor state variables. Using a coverage-based ergodic controller, we train perceptual models in near-real time. We demonstrate our approach using a biomimentic sensor, exploring ‘tactile scenes’ composed of shapes, textures, and objects. Each learned representation provides a perceptual sensor model for a particular tactile scene. Models trained on actively collected data outperform their randomly collected counterparts in real-time training tests. Additionally, we find that the resulting network entropy maps can be used to identify high salience portions of a tactile scene.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google