Incremental Learning of Affordances using Markov Logic Networks

要約

アフォーダンスにより、ロボットは周囲の環境を意味的に理解できるようになります。
これにより、特定のタスクを完了する際に、より柔軟に行動できるようになります。
機械学習モデルでオブジェクトのアフォーダンスをキャプチャすることは、コンテキスト情報に依存しているため、困難な作業です。
マルコフ ロジック ネットワーク (MLN) は、確率論的推論と、そのようなコンテキストをキャプチャできるロジックを組み合わせます。
移動ロボットは、目に見えないオブジェクトのアフォーダンスが観察できる部分的に既知の環境で動作します。
この新しい情報は、MLN を最初から再トレーニングすることなく、既存の知識に組み込む必要があります。
MLN 累積学習アルゴリズム (MLN-CLA) を導入します。
MLN-CLA は、知識を保持し、変更された知識のみを更新することによって、さまざまな知識領域における新しい関係を学習します。これに対して MLN は再トレーニングされます。
MLN-CLA が累積学習とゼロショット アフォーダンス推論に効果的であり、強力なベースラインを上回るパフォーマンスを示すことを示します。

要約(オリジナル)

Affordances enable robots to have a semantic understanding of their surroundings. This allows them to have more acting flexibility when completing a given task. Capturing object affordances in a machine learning model is a difficult task, because of their dependence on contextual information. Markov Logic Networks (MLN) combine probabilistic reasoning with logic that is able to capture such context. Mobile robots operate in partially known environments wherein unseen object affordances can be observed. This new information must be incorporated into the existing knowledge, without having to retrain the MLN from scratch. We introduce the MLN Cumulative Learning Algorithm (MLN-CLA). MLN-CLA learns new relations in various knowledge domains by retaining knowledge and only updating the changed knowledge, for which the MLN is retrained. We show that MLN-CLA is effective for accumulative learning and zero-shot affordance inference, outperforming strong baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google