論文の概要: Evaluating Recipes Generated from Functional Object-Oriented Network
- arxiv url: http://arxiv.org/abs/2106.00728v1
- Date: Tue, 1 Jun 2021 19:00:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-05 10:21:06.583110
- Title: Evaluating Recipes Generated from Functional Object-Oriented Network
- Title（参考訳）: 関数型オブジェクト指向ネットワークから生成するレシピの評価
- Authors: Md Sadman Sakib, Hailey Baez, David Paulius, and Yu Sun
- Abstract要約: 機能的オブジェクト指向ネットワーク(FOON)は知識表現として導入され、グラフの形式を採っている。
ロボットは、操作タスクのシーケンシャルプランを得るために、FOONから知識検索プロセスを通じてタスクツリーを得ることができる。
獲得したタスクツリーの品質を,レシピやマニュアルといった従来のタスク知識と比較する。
- 参考スコア（独自算出の注目度）: 4.94338660039249
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The functional object-oriented network (FOON) has been introduced as a
knowledge representation, which takes the form of a graph, for symbolic task
planning. To get a sequential plan for a manipulation task, a robot can obtain
a task tree through a knowledge retrieval process from the FOON. To evaluate
the quality of an acquired task tree, we compare it with a conventional form of
task knowledge, such as recipes or manuals. We first automatically convert task
trees to recipes, and we then compare them with the human-created recipes in
the Recipe1M+ dataset via a survey. Our preliminary study finds no significant
difference between the recipes in Recipe1M+ and the recipes generated from FOON
task trees in terms of correctness, completeness, and clarity.
- Abstract（参考訳）: 関数型オブジェクト指向ネットワーク(foon)は,シンボリックタスク計画のためのグラフ形式の知識表現として導入された。
ロボットは、操作タスクのシーケンシャルプランを得るために、FOONから知識検索プロセスを通じてタスクツリーを得ることができる。
獲得したタスクツリーの品質を評価するため,レシピやマニュアルなどの従来のタスク知識と比較した。
まずタスクツリーをレシピに自動的に変換し、それをRecipe1M+データセットの人間が作ったレシピと比較します。
Recipe1M+のレシピとFOONタスクツリーのレシピの間には,正確性,完全性,明確性という点で有意な差は認められなかった。
関連論文リスト
- Retrieval Augmented Recipe Generation [96.43285670458803]
本稿では,レシピ生成のための拡張型大規模マルチモーダルモデルを提案する。
既存のデータストアからサプリメントとして、イメージにセマンティックに関連付けられたレシピを検索する。
生成したレシピ候補間の一貫性を計算し、異なる検索レシピを生成のコンテキストとして使用する。
論文 参考訳（メタデータ） (2024-11-13T15:58:50Z) - Task Tree Retrieval For Robotic Cooking [0.0]
本論文は,与えられた目標ノードに対するタスクツリー計画を生成する,異なるアルゴリズムの開発に基づく。
料理の知識表現はFOONと呼ばれ、異なるオブジェクトとそれらの間のそれぞれをモーションノードに格納する。
論文 参考訳（メタデータ） (2023-11-27T20:41:21Z) - Extracting task trees using knowledge retrieval search algorithms in
functional object-oriented network [0.0]
機能的オブジェクト指向ネットワーク(FOON)はロボットが利用できる知識表現法として開発されている。
FOONは、ロボットがタスクツリーを取得するための順序付けられた計画を提供するグラフとして見ることができる。
論文 参考訳（メタデータ） (2022-11-15T17:20:08Z) - Knowledge Retrieval for Robotic Cooking [0.0]
機能的オブジェクト指向ネットワークにおける検索アルゴリズム開発の背後にある動機は、ほとんどの場合、特定のレシピを検索するか、特定のレシピの材料を判断する必要があることである。
本稿では,ロボットと人間が複雑なタスクを一緒に完了させるための重み付きFOONとタスク計画アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-11-08T19:40:27Z) - Fast Inference and Transfer of Compositional Task Structures for
Few-shot Task Generalization [101.72755769194677]
本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。
我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。
提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
論文 参考訳（メタデータ） (2022-05-25T10:44:25Z) - Active Multi-Task Representation Learning [50.13453053304159]
本研究は,アクティブラーニングの手法を活用することで,資源タスクのサンプリングに関する最初の公式な研究を行う。
提案手法は, 対象タスクに対する各ソースタスクの関連性を反復的に推定し, その関連性に基づいて各ソースタスクからサンプルを抽出するアルゴリズムである。
論文 参考訳（メタデータ） (2022-02-02T08:23:24Z) - Functional Task Tree Generation from a Knowledge Graph to Solve Unseen
Problems [5.400294730456784]
人間とは異なり、ロボットは創造的に新しいシナリオに適応できない。
知識グラフの形で存在する知識は、タスクツリーを作成するための参照の基盤として使用される。
提案手法は, 未確認成分の組み合わせであっても, 高精度にタスクプランを作成できることが示唆された。
論文 参考訳（メタデータ） (2021-12-04T21:28:22Z) - Learning Structural Representations for Recipe Generation and Food
Retrieval [101.97397967958722]
本稿では,食品レシピ生成課題に取り組むために,構造認識ネットワーク(SGN)の新たな枠組みを提案する。
提案モデルは高品質でコヒーレントなレシピを作成でき、ベンチマークRecipe1Mデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-10-04T06:36:31Z) - Structure-Aware Generation Network for Recipe Generation from Images [142.047662926209]
食品画像と材料のみに基づいて調理指導を行うオープン・リサーチ・タスクについて検討する。
ターゲットレシピは長い段落であり、構造情報に関する注釈を持たない。
本稿では,食品レシピ生成課題に取り組むために,構造認識ネットワーク(SGN)の新たな枠組みを提案する。
論文 参考訳（メタデータ） (2020-09-02T10:54:25Z) - Multi-modal Cooking Workflow Construction for Food Recipes [147.4435186953995]
ワークフロー構築のための最初の大規模データセットであるMM-ReSを構築した。
本稿では、視覚情報とテキスト情報の両方を利用して調理ワークフローを構築するニューラルエンコーダデコーダモデルを提案する。
論文 参考訳（メタデータ） (2020-08-20T18:31:25Z)
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。