Interoceptive Robots for Convergent Shared Control in Collaborative Construction Work

要約

変化する作業要求や動的な環境に対応できる最適化された効率と適応能力を備えた自律移動ロボット (AMR) を構築することは、建設ロボット工学を進歩させる上で強く望まれる目標です。
このようなロボットは、自動化の実現、運用上の二酸化炭素排出量の削減、モジュール式建設プロセスのサポートにおいて重要な役割を果たすことができます。
生物の適応的自律性に触発され、ロボットエージェントの継続的な学習と適応性を可能にする内省と意識的学習を開発するための基盤として、ロボットの内部状態表現を中心とした内受容を導入します。
この論文では、人間の介入が時折発生する共有制御パラダイムにおける内部状態変数と数学的特性を「認知的不協和」として因数分解します。
私たちは、グリッド/グラフベースのアルゴリズムによるヒューリスティック コストの遺産を神経科学と強化学習の最近の進歩と統合することにより、内受容が AMR における適応動作計画の構築にどのように役立つかについて、新しい視点を提供します。
人間の意味論的入力から抽出された宣言的および手続き型の知識は、パス計画のための現場レイアウトの空間構成とオーバーラップするハイパーグラフ モデルにエンコードされます。
さらに、数ショット学習を備えたエンコーダ/デコーダ アーキテクチャを使用して速度再生モジュールを設計し、複数のロボットの同期とハンドオーバーのコラボレーションのために、ロボットが状況に応じたシナリオで速度プロファイルを複製できるようにします。
これらの「キャッシュされた」知識表現は、マルチロボットの動作計画とスタッキングタスクのシミュレートされた環境で実証されます。
この研究から得られた洞察は、AMR における汎用人工知能への道を切り開き、建設自動化における複雑さから能力への進歩を促進します。

要約(オリジナル)

Building autonomous mobile robots (AMRs) with optimized efficiency and adaptive capabilities-able to respond to changing task demands and dynamic environments-is a strongly desired goal for advancing construction robotics. Such robots can play a critical role in enabling automation, reducing operational carbon footprints, and supporting modular construction processes. Inspired by the adaptive autonomy of living organisms, we introduce interoception, which centers on the robot’s internal state representation, as a foundation for developing self-reflection and conscious learning to enable continual learning and adaptability in robotic agents. In this paper, we factorize internal state variables and mathematical properties as ‘cognitive dissonance’ in shared control paradigms, where human interventions occasionally occur. We offer a new perspective on how interoception can help build adaptive motion planning in AMRs by integrating the legacy of heuristic costs from grid/graph-based algorithms with recent advances in neuroscience and reinforcement learning. Declarative and procedural knowledge extracted from human semantic inputs is encoded into a hypergraph model that overlaps with the spatial configuration of onsite layout for path planning. In addition, we design a velocity-replay module using an encoder-decoder architecture with few-shot learning to enable robots to replicate velocity profiles in contextualized scenarios for multi-robot synchronization and handover collaboration. These ‘cached’ knowledge representations are demonstrated in simulated environments for multi-robot motion planning and stacking tasks. The insights from this study pave the way toward artificial general intelligence in AMRs, fostering their progression from complexity to competence in construction automation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google