論文の概要: Functional Task Tree Generation from a Knowledge Graph to Solve Unseen
Problems
- arxiv url: http://arxiv.org/abs/2112.02433v1
- Date: Sat, 4 Dec 2021 21:28:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-07 17:35:12.017787
- Title: Functional Task Tree Generation from a Knowledge Graph to Solve Unseen
Problems
- Title(参考訳): 未知問題を解くための知識グラフからの関数型タスクツリー生成
- Authors: Md. Sadman Sakib, David Paulius, and Yu Sun
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.400294730456784
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A major component for developing intelligent and autonomous robots is a
suitable knowledge representation, from which a robot can acquire knowledge
about its actions or world. However, unlike humans, robots cannot creatively
adapt to novel scenarios, as their knowledge and environment are rigidly
defined. To address the problem of producing novel and flexible task plans
called task trees, we explore how we can derive plans with concepts not
originally in the robot's knowledge base. Existing knowledge in the form of a
knowledge graph is used as a base of reference to create task trees that are
modified with new object or state combinations. To demonstrate the flexibility
of our method, we randomly selected recipes from the Recipe1M+ dataset and
generated their task trees. The task trees were then thoroughly checked with a
visualization tool that portrays how each ingredient changes with each action
to produce the desired meal. Our results indicate that the proposed method can
produce task plans with high accuracy even for never-before-seen ingredient
combinations.
- Abstract(参考訳): インテリジェントで自律的なロボットを開発するための主要なコンポーネントは、ロボットが行動や世界に関する知識を得るのに適した知識表現である。
しかし、人間とは異なり、ロボットは知識や環境が厳格に定義されているため、新しいシナリオに創造的に適応することはできない。
タスクツリーと呼ばれる新規で柔軟なタスクプラン作成の問題に対処するために,ロボットの知識ベースにない概念でプランを導出する方法を検討する。
知識グラフの形で既存の知識が参照の基盤として使われ、新しいオブジェクトや状態の組み合わせで修正されたタスクツリーを生成する。
提案手法の柔軟性を示すため,Recipe1M+データセットからランダムにレシピを選択し,タスクツリーを生成する。
次にタスクツリーを視覚化ツールで徹底的にチェックし、各成分がそれぞれのアクションでどのように変化するかを示し、所望の食事を生成する。
提案手法は, これまでにない組み合わせでも高い精度でタスクプランを作成できることを示す。
関連論文リスト
- 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) - Incremental procedural and sensorimotor learning in cognitive humanoid
robots [52.77024349608834]
本研究は,手順を段階的に学習する認知エージェントを提案する。
各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。
結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
論文 参考訳(メタデータ) (2023-04-30T22:51:31Z) - 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) - Knowledge Retrieval using Functional Object-Oriented Network [0.0]
機能的オブジェクト指向ネットワーク(英: functional object-oriented network、FOON)は、グラフの形をとるシンボリックタスク計画の知識表現である。
グラフ検索手法により、FOONから操作動作シーケンスを生成し、所望の目的を達成する。
結果は、シミュレーション環境で望まれる目的を達成するために、FOONによって生成された動きシーケンスを用いて説明される。
論文 参考訳(メタデータ) (2022-11-06T06:02:29Z) - Knowledge Retrieval [0.0]
本稿では主に,入力出力と動作ノードを用いた知識表現を構造化した関数型オブジェクト指向ネットワークに焦点をあてる。
本論文では,最適な出力を得るために木を横断する異なるアルゴリズムについても論じる。
論文 参考訳(メタデータ) (2022-10-22T20:41:09Z) - BC-Z: Zero-Shot Task Generalization with Robotic Imitation Learning [108.41464483878683]
本稿では,視覚に基づくロボット操作システムにおいて,新しいタスクを一般化することの課題について検討する。
実演と介入の両方から学ぶことができるインタラクティブで柔軟な模倣学習システムを開発した。
実際のロボットにおけるデータ収集を100以上のタスクにスケールすると、このシステムは平均的な成功率44%で24の目に見えない操作タスクを実行できる。
論文 参考訳(メタデータ) (2022-02-04T07:30:48Z) - Discovering Generalizable Skills via Automated Generation of Diverse
Tasks [82.16392072211337]
本稿では,多種多様なタスクの自動生成による一般化可能なスキルの発見手法を提案する。
教師なしスキル発見の先行研究とは対照的に,本手法では各スキルをトレーニング可能なタスクジェネレータが生成するユニークなタスクとペアリングする。
生成したタスクにおけるロボットの動作に定義されたタスク判別器を共同で訓練し、多様性目標の低いエビデンスを推定する。
学習スキルは階層的な強化学習アルゴリズムで構成され、目に見えない目標タスクを解決する。
論文 参考訳(メタデータ) (2021-06-26T03:41:51Z) - Evaluating Recipes Generated from Functional Object-Oriented Network [4.94338660039249]
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。
論文 参考訳(メタデータ) (2021-06-01T19:00:52Z) - A Road-map to Robot Task Execution with the Functional Object-Oriented
Network [77.93376696738409]
関数型オブジェクト指向ネットワーク(FOON)はロボットの知識グラフ表現である。
FOONは、二部グラフの形で、ロボットの環境やタスクに対する理解に関係のある象徴的あるいは高レベルな情報を含んでいる。
論文 参考訳(メタデータ) (2021-06-01T00:43:04Z) - COG: Connecting New Skills to Past Experience with Offline Reinforcement
Learning [78.13740204156858]
我々は、動的プログラミングによって新しいスキルを拡張するために、事前データを再利用できることを示します。
我々は、新しいタスクを解決するために、以前のデータセットに見られるいくつかの動作をチェーンすることで、アプローチの有効性を実証する。
我々は、高次元画像観察を低レベルのロボット制御コマンドにマッピングし、エンドツーエンドでポリシーを訓練する。
論文 参考訳(メタデータ) (2020-10-27T17:57:29Z) - Automated Relational Meta-learning [95.02216511235191]
本稿では,クロスタスク関係を自動的に抽出し,メタ知識グラフを構築する自動リレーショナルメタ学習フレームワークを提案する。
我々は,2次元玩具の回帰と少数ショット画像分類に関する広範な実験を行い,ARMLが最先端のベースラインよりも優れていることを示す。
論文 参考訳(メタデータ) (2020-01-03T07:02:25Z)
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。