論文の概要: A robot that counts like a child: a developmental model of counting and pointing

• arxiv url: http://arxiv.org/abs/2008.02366v2
• Date: Mon, 2 Nov 2020 23:48:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 18:13:38.588806
• Title: A robot that counts like a child: a developmental model of counting and pointing
• Title（参考訳）: 子供のように数えるロボット:カウントとポインティングの発達モデル
• Authors: Leszek Pecyna, Angelo Cangelosi, Alessandro Di Nuovo
• Abstract要約: 実物を数えることができる新しい神経ロボティクスモデルを導入する。 このモデルにより,エンボディメントと数値認識の相互作用を調べることができる。 トレーニングされたモデルは、アイテムのセットをカウントすることができ、同時にそれらを指し示します。
• 参考スコア（独自算出の注目度）: 69.26619423111092
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, a novel neuro-robotics model capable of counting real items is introduced. The model allows us to investigate the interaction between embodiment and numerical cognition. This is composed of a deep neural network capable of image processing and sequential tasks performance, and a robotic platform providing the embodiment - the iCub humanoid robot. The network is trained using images from the robot's cameras and proprioceptive signals from its joints. The trained model is able to count a set of items and at the same time points to them. We investigate the influence of pointing on the counting process and compare our results with those from studies with children. Several training approaches are presented in this paper all of them uses pre-training routine allowing the network to gain the ability of pointing and number recitation (from 1 to 10) prior to counting training. The impact of the counted set size and distance to the objects are investigated. The obtained results on counting performance show similarities with those from human studies.
• Abstract（参考訳）: 本稿では,実物数を計測可能な新しいニューロロボットモデルを提案する。 このモデルにより,具体化と数値認識の相互作用を検証できる。 これは画像処理とシーケンシャルなタスクパフォーマンスが可能なディープニューラルネットワークと、具体化を提供するロボットプラットフォーム、icubヒューマノイドロボットで構成されている。 ネットワークは、ロボットのカメラからの画像と関節からの受容信号を使って訓練される。 トレーニングされたモデルは、アイテムのセットをカウントすることができ、同時にそれらを指し示します。 ポインティングが計数過程に及ぼす影響について検討し,本研究の結果と子どもとの比較を行った。 本論文では,ネットワークが1から10までのポインティングとナンバーリサイクリングを行うことができるように,事前学習ルーチンを用いて,複数のトレーニングアプローチを提示する。 対象物に対する計数セットサイズと距離の影響について検討した。 その結果, 計測性能は人間の研究と類似性を示した。

関連論文リスト

• Real-time Addressee Estimation: Deployment of a Deep-Learning Model on the iCub Robot [52.277579221741746]
  住所推定は、社会ロボットが人間とスムーズに対話するために必要なスキルである。 人間の知覚スキルにインスパイアされたディープラーニングモデルは、iCubロボットに設計、訓練、デプロイされる。 本研究では,人間-ロボットのリアルタイムインタラクションにおいて,そのような実装の手順とモデルの性能について述べる。
  論文  参考訳（メタデータ） (2023-11-09T13:01:21Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• Factored World Models for Zero-Shot Generalization in Robotic Manipulation [7.258229016768018]
  我々は、オブジェクト指向世界モデルを用いてロボットピック・アンド・プレイス・タスクを一般化することを学ぶ。 グラフニューラルネットワークの残差スタックを使用して、ノードとエッジの両方のニューラルネットワークにおいて、複数のレベルのアクション情報を受信する。 モデルアンサンブルを用いて、最大12個のピック・アンド・プレイス・アクションを含むタスクを検索で計画できることが示される。
  論文  参考訳（メタデータ） (2022-02-10T21:26:11Z)
• Where is my hand? Deep hand segmentation for visual self-recognition in humanoid robots [129.46920552019247]
  本稿では、画像からロボットの手を切り離すための畳み込みニューラルネットワーク(CNN)を提案する。 ヒューマノイドロボットVizzyの手のセグメンテーションのために,Mask-RCNNネットワークを微調整した。
  論文  参考訳（メタデータ） (2021-02-09T10:34:32Z)
• A Number Sense as an Emergent Property of the Manipulating Brain [16.186932790845937]
  本研究では,人間が数量や量を操作する能力を習得し,発達させるメカニズムについて考察する。 我々のモデルは、シーン内のオブジェクトの数を推定する能力を得る。 我々は,簡単な事前学習作業から,数と量を持つ施設の重要側面を指導して学ぶことができると結論付けた。
  論文  参考訳（メタデータ） (2020-12-08T00:37:35Z)
• Learning Predictive Models From Observation and Interaction [137.77887825854768]
  世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。 しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。 本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
  論文  参考訳（メタデータ） (2019-12-30T01:10:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。