論文の概要: Learning body models: from humans to humanoids
- arxiv url: http://arxiv.org/abs/2211.03049v1
- Date: Sun, 6 Nov 2022 07:30:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 18:41:55.489394
- Title: Learning body models: from humans to humanoids
- Title（参考訳）: 身体モデルを学ぶ:人間からヒューマノイドへ
- Authors: Matej Hoffmann
- Abstract要約: 人間と動物は、複数の感覚のモダリティからの情報を組み合わせて、複雑な体を制御し、成長、失敗、ツールの使用に適応する。
鍵となる基礎は、エージェント(人間、動物、ロボット)が開発してきた身体の内部表現である。
脳内での体モデルの操作のメカニズムは、ほとんど不明であり、出生後の経験からどのように構築されているかは、あまり分かっていない。
- 参考スコア（独自算出の注目度）: 2.855485723554975
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Humans and animals excel in combining information from multiple sensory
modalities, controlling their complex bodies, adapting to growth, failures, or
using tools. These capabilities are also highly desirable in robots. They are
displayed by machines to some extent. Yet, the artificial creatures are lagging
behind. The key foundation is an internal representation of the body that the
agent - human, animal, or robot - has developed. The mechanisms of operation of
body models in the brain are largely unknown and even less is known about how
they are constructed from experience after birth. In collaboration with
developmental psychologists, we conducted targeted experiments to understand
how infants acquire first "sensorimotor body knowledge". These experiments
inform our work in which we construct embodied computational models on humanoid
robots that address the mechanisms behind learning, adaptation, and operation
of multimodal body representations. At the same time, we assess which of the
features of the "body in the brain" should be transferred to robots to give
rise to more adaptive and resilient, self-calibrating machines. We extend
traditional robot kinematic calibration focusing on self-contained approaches
where no external metrology is needed: self-contact and self-observation.
Problem formulation allowing to combine several ways of closing the kinematic
chain simultaneously is presented, along with a calibration toolbox and
experimental validation on several robot platforms. Finally, next to models of
the body itself, we study peripersonal space - the space immediately
surrounding the body. Again, embodied computational models are developed and
subsequently, the possibility of turning these biologically inspired
representations into safe human-robot collaboration is studied.
- Abstract（参考訳）: 人間と動物は、複数の感覚モーダルからの情報を組み合わせて、複雑な体を制御し、成長、失敗、ツールの使用に適応する。
これらの能力はロボットにも非常に望ましい。
ある程度は機械で展示されている。
しかし、人工生物は後れを取っている。
キーとなる基礎は、エージェント(人間、動物、ロボット)が開発してきた身体の内部表現である。
脳における身体モデルの操作のメカニズムはほとんど不明であり、生後の経験からどのように構築されるかについてもあまり知られていない。
発達心理学者と共同で、幼児が最初に「感覚運動体知識」を得る方法を理解するための標的実験を行った。
これらの実験は,マルチモーダル体表現の学習,適応,操作のメカニズムに対処するヒューマノイドロボットの具体化計算モデルを構築する上で,我々の研究成果を示唆するものである。
同時に、「脳内の体」の特徴のどれをロボットに移すかを評価し、より適応的で弾力性があり自己調整する機械を創出する。
従来のロボット・キネマティック・キャリブレーションを,外部計測が不要な自己完結型アプローチに焦点をあてて拡張する。
いくつかのロボットプラットフォーム上でのキャリブレーションツールボックスと実験検証とともに,数種類のキネマティックチェーンを同時に閉ざすことができる問題定式化について述べる。
最後に、体自体のモデルの横で、身近な空間(体をすぐに囲む空間)を研究する。
また、具体化された計算モデルを開発し、その後、生物学的にインスパイアされた表現を安全な人間とロボットのコラボレーションに変える可能性について研究する。
関連論文リスト
- GeMuCo: Generalized Multisensory Correlational Model for Body Schema Learning [18.64205729932939]
人間は自分の身体の感覚と動きの関係を学習することができる。
現在のロボットは、経験から人間によって記述されたネットワーク構造を学習することで身体を制御する。
論文 参考訳（メタデータ） (2024-09-10T11:19:13Z) - HumanoidBench: Simulated Humanoid Benchmark for Whole-Body Locomotion and Manipulation [50.616995671367704]
そこで本研究では,人型ロボットが器用な手を備えた,高次元シミュレーション型ロボット学習ベンチマークHumanoidBenchを提案する。
その結果,現在最先端の強化学習アルゴリズムがほとんどのタスクに支障をきたすのに対して,階層的学習アプローチはロバストな低レベルポリシーに支えられた場合,優れた性能を達成できることがわかった。
論文 参考訳（メタデータ） (2024-03-15T17:45:44Z) - 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) - World Models and Predictive Coding for Cognitive and Developmental
Robotics: Frontiers and Challenges [51.92834011423463]
我々は世界モデルと予測符号化の2つの概念に焦点を当てる。
神経科学において、予測符号化は、脳がその入力を継続的に予測し、その環境における自身のダイナミクスと制御行動のモデル化に適応するように提案する。
論文 参考訳（メタデータ） (2023-01-14T06:38:14Z) - HERD: Continuous Human-to-Robot Evolution for Learning from Human
Demonstration [57.045140028275036]
本研究では,マイクロ進化的強化学習を用いて,操作スキルを人間からロボットに伝達可能であることを示す。
本稿では,ロボットの進化経路とポリシーを協調的に最適化する多次元進化経路探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-12-08T15:56:13Z) - Data-driven emotional body language generation for social robotics [58.88028813371423]
社会ロボティクスでは、人間型ロボットに感情の身体的表現を生成する能力を与えることで、人間とロボットの相互作用とコラボレーションを改善することができる。
我々は、手作業で設計されたいくつかの身体表現から学習する深層学習データ駆動フレームワークを実装した。
評価実験の結果, 生成した表現の人間同型とアニマシーは手作りの表現と異なる認識が得られなかった。
論文 参考訳（メタデータ） (2022-05-02T09:21:39Z) - Neuroscience-inspired perception-action in robotics: applying active
inference for state estimation, control and self-perception [2.1067139116005595]
神経科学の発見が、ロボット工学における現在の推定と制御アルゴリズムを改善する機会をいかに開放するかについて議論する。
本稿では,実体プラットフォーム上でのこのような計算モデルの開発から得られた実験と教訓を要約する。
論文 参考訳（メタデータ） (2021-05-10T10:59:38Z) - Cognitive architecture aided by working-memory for self-supervised
multi-modal humans recognition [54.749127627191655]
人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。
ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。
1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
論文 参考訳（メタデータ） (2021-03-16T13:50:24Z) - Sensorimotor representation learning for an "active self" in robots: A
model survey [10.649413494649293]
人間では、これらの能力は宇宙で私たちの身体を知覚する能力と関連していると考えられている。
本稿では,これらの能力の発達過程について概説する。
人工エージェントにおける自己感覚の出現を可能にする理論計算フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-25T16:31:01Z) - Body models in humans, animals, and robots: mechanisms and plasticity [2.855485723554975]
人間と動物は、複数の感覚のモダリティからの情報を組み合わせて、複雑な体を制御し、成長、失敗、ツールの使用に適応する。
鍵となる基礎は、エージェント(人間、動物、ロボット)が開発してきた身体の内部表現である。
ロボット工学において、ロボットのモデルとは、機械を制御するために必要なコンポーネントである。
論文 参考訳（メタデータ） (2020-10-19T09:07:11Z) - Robot self/other distinction: active inference meets neural networks
learning in a mirror [9.398766540452632]
ロボットがミラー上で非出現自認を行うことを可能にするアルゴリズムを提案する。
このアルゴリズムは、脳内の知覚と行動の理論モデルであるアクティブ推論とニューラルネットワーク学習を組み合わせる。
ヒューマノイドロボットの実験結果から,初期条件の異なるアルゴリズムの信頼性が示された。
論文 参考訳（メタデータ） (2020-04-11T19:51:47Z)
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。