論文の概要: Why did I fail? A Causal-based Method to Find Explanations for Robot Failures

• arxiv url: http://arxiv.org/abs/2204.04483v1
• Date: Sat, 9 Apr 2022 14:35:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-12 17:25:54.179899
• Title: Why did I fail? A Causal-based Method to Find Explanations for Robot Failures
• Title（参考訳）: なぜ失敗したの? ロボット故障の説明を見つけるための因果的手法
• Authors: Maximilian Diehl and Karinne Ramirez-Amaro
• Abstract要約: このような失敗を説明するロボットの能力は、人間と対話して信頼と透明性を高める上で最重要である。 この技術を実現するために,本論文で論じる主な課題は,環境要因モデルを学ぶのに十分なデータを取得すること,および,そのモデルに基づく因果的説明を生成することである。 そこで本研究では,ロボットがタスク障害に対して,対照的な説明を生成できる新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 0.17132914341329847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot failures in human-centered environments are inevitable. Therefore, the ability of robots to explain such failures is paramount for interacting with humans to increase trust and transparency. To achieve this skill, the main challenges addressed in this paper are I) acquiring enough data to learn a cause-effect model of the environment and II) generating causal explanations based on that model. We address I) by learning a causal Bayesian network from simulation data. Concerning II), we propose a novel method that enables robots to generate contrastive explanations upon task failures. The explanation is based on setting the failure state in contrast with the closest state that would have allowed for successful execution, which is found through breadth-first search and is based on success predictions from the learned causal model. We assess the sim2real transferability of the causal model on a cube stacking scenario. Based on real-world experiments with two differently embodied robots, we achieve a sim2real accuracy of 70% without any adaptation or retraining. Our method thus allowed real robots to give failure explanations like, 'the upper cube was dropped too high and too far to the right of the lower cube.'
• Abstract（参考訳）: 人間中心の環境でのロボットの失敗は避けられない。 したがって、このような失敗を説明するロボットの能力は、人間との対話が信頼と透明性を高める上で最重要である。 このスキルを達成するために,本稿では,環境の因果効果モデルを学ぶのに十分なデータを取得し,そのモデルに基づく因果説明を生成するという課題について述べる。 i)シミュレーションデータから因果ベイズネットワークを学習することで対処する。 そこで本研究では,ロボットがタスク障害に対して,対照的な説明を生成できる新しい手法を提案する。 この説明は、学習因果モデルから得られた成功予測に基づいて、広義の探索によって見つかる実行を成功させる最も近い状態とは対照的に、失敗状態を設定することに基づいている。 立方体積み重ねシナリオにおける因果モデルのsim2real転送性を評価する。 2つの異なる具体化ロボットによる実世界の実験に基づいて、適応や再訓練なしに、シム2リアルの精度70%を達成する。 これにより、実際のロボットが「上立方体が高すぎ、下立方体の右に近づきすぎる」などの故障説明を行えるようになった。

関連論文リスト

• Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
  模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。 本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。 GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
  論文  参考訳（メタデータ） (2024-07-22T06:12:21Z)
• On-Robot Bayesian Reinforcement Learning for POMDPs [16.667924736270415]
  本稿では,ロボット工学におけるベイズ強化学習を,物理システムのための特殊フレームワークの提案により進める。 この知識を因子表現で捉え、後続の分解を同様の形で示し、最終的にベイズ的枠組みでモデルを定式化する。 次に,モンテカルロ木探索と粒子フィルタリングに基づくサンプルベースオンライン解法を提案する。
  論文  参考訳（メタデータ） (2023-07-22T01:16:29Z)
• Distributional Instance Segmentation: Modeling Uncertainty and High Confidence Predictions with Latent-MaskRCNN [77.0623472106488]
  本稿では,潜在符号を用いた分散インスタンス分割モデルのクラスについて検討する。 ロボットピッキングへの応用として,高い精度を実現するための信頼性マスク手法を提案する。 本手法は,新たにリリースした曖昧なシーンのデータセットを含め,ロボットシステムにおける致命的なエラーを著しく低減できることを示す。
  論文  参考訳（メタデータ） (2023-05-03T05:57:29Z)
• 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)
• Scaling Robot Learning with Semantically Imagined Experience [21.361979238427722]
  ロボット学習の最近の進歩は、ロボットが操作タスクを実行できることを約束している。 この進歩に寄与する要因の1つは、モデルのトレーニングに使用されるロボットデータのスケールである。 本稿では,コンピュータビジョンや自然言語処理に広く用いられているテキスト・ツー・イメージ基盤モデルを利用した代替手法を提案する。
  論文  参考訳（メタデータ） (2023-02-22T18:47:51Z)
• Optimal decision making in robotic assembly and other trial-and-error tasks [1.0660480034605238]
  本研究では,(1)終末成功/失敗の低エントロピー指標と(2)信頼できない(高エントロピー)データを提供する問題のクラスについて検討し,課題の最終結果を予測する。 フェール予測器の混乱行列に基づいてメイスパンを予測する閉形式解を導出する。 これにより、ロボットはプロダクション環境で障害予測を学習し、実際に時間を節約したときのみプリエンプティブポリシーを採用することができる。
  論文  参考訳（メタデータ） (2023-01-25T22:07:50Z)
• Robot Learning from Randomized Simulations: A Review [59.992761565399185]
  ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。 最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。 本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
  論文  参考訳（メタデータ） (2021-11-01T13:55:41Z)
• SIM2REALVIZ: Visualizing the Sim2Real Gap in Robot Ego-Pose Estimation [8.272193665645553]
  我々は,ロボットのエゴ位置推定タスクに対する,このギャップの理解と軽減を支援する視覚分析ツールSim2RealVizを紹介する。 Sim2RealVizは、与えられたモデルの詳細と、そのインスタンスのパフォーマンスをシミュレーションと現実世界の両方で表示する。
  論文  参考訳（メタデータ） (2021-09-24T08:17:33Z)
• Reactive Long Horizon Task Execution via Visual Skill and Precondition Models [59.76233967614774]
  シミュレーションで学習したモデルを用いて、単純なタスクプランナの構成要素をグラウンド化することで、見知らぬロボットタスクを達成できるシミュレート・トゥ・リアル・トレーニングのアプローチについて述べる。 シミュレーションでは91.6%から98%,実世界の成功率は10%から80%に増加した。
  論文  参考訳（メタデータ） (2020-11-17T15:24:01Z)
• Joint Inference of States, Robot Knowledge, and Human (False-)Beliefs [90.20235972293801]
  本稿では,人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)の認知能力が,ロボットとの相互作用にどのように影響するかを理解するために,対象状態,ロボット知識,人間(時間的)の認知能力の表現にグラフィカルモデルを採用することを提案する。 推論アルゴリズムは、複数のビューにまたがる全てのロボットから個別のpgを融合し、単一のビューから発生したエラーを克服するより効果的な推論能力を得る。
  論文  参考訳（メタデータ） (2020-04-25T23:02:04Z)

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。