論文の概要: Unsupervised, Bottom-up Category Discovery for Symbol Grounding with a Curious Robot

• arxiv url: http://arxiv.org/abs/2404.03092v1
• Date: Wed, 3 Apr 2024 22:13:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-05 16:22:48.165761
• Title: Unsupervised, Bottom-up Category Discovery for Symbol Grounding with a Curious Robot
• Title（参考訳）: ロボットによるシンボル接地のための教師なし・ボトムアップカテゴリー発見
• Authors: Catherine Henry, Casey Kennington,
• Abstract要約: 本研究では,好奇心の近似モデルを備えたロボットを,物理的世界に根ざした教師なしカテゴリーのボトムアップ構築に特化して活用する。 つまり、トップダウンのシンボルから始めるのではなく、このロボットは自律的に探査スペースを、ラベル付けされていない一連のカテゴリーに分割する。 実験の結果,ロボットは行動と視覚的に観察するものに基づいてカテゴリを学習し,それらのカテゴリを象徴的に理解することができることがわかった。
• 参考スコア（独自算出の注目度）: 0.6445605125467574
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Towards addressing the Symbol Grounding Problem and motivated by early childhood language development, we leverage a robot which has been equipped with an approximate model of curiosity with particular focus on bottom-up building of unsupervised categories grounded in the physical world. That is, rather than starting with a top-down symbol (e.g., a word referring to an object) and providing meaning through the application of predetermined samples, the robot autonomously and gradually breaks up its exploration space into a series of increasingly specific unlabeled categories at which point an external expert may optionally provide a symbol association. We extend prior work by using a robot that can observe the visual world, introducing a higher dimensional sensory space, and using a more generalizable method of category building. Our experiments show that the robot learns categories based on actions and what it visually observes, and that those categories can be symbolically grounded into.https://info.arxiv.org/help/prep#comments
• Abstract（参考訳）: シンボルグラウンディング問題に対処し、幼児期の言語発達に動機づけられたロボットを活用するために、我々は、物理的世界に根ざした教師なしカテゴリーのボトムアップ構築に特化して好奇心の近似モデルを備えたロボットを利用する。 すなわち、トップダウンシンボル(例えば、オブジェクトを指す単語)から始めて、所定のサンプルを適用することによって意味を提供するのではなく、ロボットが自律的に、徐々にその探索空間を、外部の専門家が任意にシンボル関連を提供することができるような、特定のラベル付けされていない一連のカテゴリに分解する。 我々は、視覚世界を観察できるロボットを用いて、より高次元の感覚空間を導入し、より一般化可能なカテゴリー構築方法を用いて、先行作業を拡張した。 我々の実験は、ロボットが行動と視覚的に観察するものに基づいてカテゴリを学習し、それらのカテゴリを象徴的に「https://info.arxiv.org/help/prep#comments」に分類できることを示した。

関連論文リスト

• Robo-ABC: Affordance Generalization Beyond Categories via Semantic Correspondence for Robot Manipulation [20.69293648286978]
  本稿では,ロボット操作のためのフレームワークであるRobo-ABCについて紹介する。 本稿では,Robo-ABCが視覚的可視性検索の精度を大幅に向上させることを示す。 Robo-ABCは85.7%の成功率を達成した。
  論文  参考訳（メタデータ） (2024-01-15T06:02:30Z)
• What Matters to You? Towards Visual Representation Alignment for Robot Learning [81.30964736676103]
  人のために運用する場合、ロボットはエンドユーザーの好みに合わせて報酬を最適化する必要がある。 本稿では、視覚的表現アライメント問題を解決するためのRAPL(Representation-Aligned Preference-based Learning)を提案する。
  論文  参考訳（メタデータ） (2023-10-11T23:04:07Z)
• Open-World Object Manipulation using Pre-trained Vision-Language Models [72.87306011500084]
  ロボットが人からの指示に従うためには、人間の語彙の豊かな意味情報を繋げなければならない。 我々は、事前学習された視覚言語モデルを利用して、オブジェクト識別情報を抽出するシンプルなアプローチを開発する。 実際の移動マニピュレータにおける様々な実験において、MOOはゼロショットを様々な新しいオブジェクトカテゴリや環境に一般化する。
  論文  参考訳（メタデータ） (2023-03-02T01:55:10Z)
• Aligning Robot and Human Representations [50.070982136315784]
  ロボット工学における現在の表現学習アプローチは、表現アライメントの目的がいかにうまく達成されているかの観点から研究されるべきである。 問題を数学的に定義し、その鍵となるデシダータを同定し、この形式主義の中に現在の方法を置く。
  論文  参考訳（メタデータ） (2023-02-03T18:59:55Z)
• Generalized Object Search [0.9137554315375919]
  この論文は、不確実な3次元環境における多目的探索のための方法とシステムを開発する。 ロボットに依存しない,環境に依存しない3次元物体探索システムを構築した。 私はBoston Dynamics Spotロボット、Kinova MOVOロボット、Universal Robots UR5eロボットアームにデプロイしました。
  論文  参考訳（メタデータ） (2023-01-24T16:41:36Z)
• Can Foundation Models Perform Zero-Shot Task Specification For Robot Manipulation? [54.442692221567796]
  タスク仕様は、熟練していないエンドユーザの関与とパーソナライズされたロボットの採用に不可欠である。 タスク仕様に対する広く研究されているアプローチは、目標を通じて、コンパクトな状態ベクトルまたは同じロボットシーンのゴールイメージを使用することである。 そこで本研究では,人間の指定や使用が容易な目標仕様の代替的,より汎用的な形式について検討する。
  論文  参考訳（メタデータ） (2022-04-23T19:39:49Z)
• OG-SGG: Ontology-Guided Scene Graph Generation. A Case Study in Transfer Learning for Telepresence Robotics [124.08684545010664]
  画像からのシーングラフ生成は、ロボット工学のようなアプリケーションに非常に関心を持つタスクである。 オントロジー誘導シーングラフ生成(OG-SGG)と呼ばれるフレームワークの初期近似を提案する。
  論文  参考訳（メタデータ） (2022-02-21T13:23:15Z)
• DeepSym: Deep Symbol Generation and Rule Learning from Unsupervised Continuous Robot Interaction for Planning [1.3854111346209868]
  ロボットアームハンドシステムは、プッシュとスタックアクションから「ロータブル」、「インサータブル」、「ラーガー・サン」と解釈できるシンボルを学習する。 本システムは,ロボットアームハンドシステムにおいて,その動作から「回転可能」,「不可能」,「大きい」と解釈可能なシンボルを学習する物理に基づく3次元シミュレーション環境で検証する。
  論文  参考訳（メタデータ） (2020-12-04T11:26:06Z)
• 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)
• Task-relevant Representation Learning for Networked Robotic Perception [74.0215744125845]
  本稿では,事前学習されたロボット知覚モデルの最終的な目的と協調して設計された感覚データのタスク関連表現を学習するアルゴリズムを提案する。 本アルゴリズムは,ロボットの知覚データを競合する手法の最大11倍まで積極的に圧縮する。
  論文  参考訳（メタデータ） (2020-11-06T07:39:08Z)

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。