基于建图的改进且可扩展的空间概念与语言模型在线学习
机器人学
2020-02-11 v3 人工智能
计算与语言
机器学习
摘要
我们提出一种新颖的在线学习算法，称为 SpCoSLAM 2.0，用于以高精度和可扩展性进行空间概念与词汇习得。此前，我们提出 SpCoSLAM 作为一种基于无监督贝叶斯概率模型的在线学习算法，该模型集成了多模态地点分类、词汇习得与 SLAM。然而，我们最初的算法由于学习早期阶段的影响而估计精度有限，且计算复杂度随训练数据增加而上升。因此，我们引入固定滞后 rejuvenation 等技术，在保持高于原算法精度的同时减少计算时间。结果表明，在估计精度方面，所提算法超越原算法且与批量学习相当。此外，所提算法的计算时间不依赖于训练数据量，并在可扩展算法的每一步变为常数。我们的方法将有助于实现人与机器人之间的长期空间语言交互。
引用
@article{arxiv.1803.03481,
title = {Improved and Scalable Online Learning of Spatial Concepts and Language Models with Mapping},
author = {Akira Taniguchi and Yoshinobu Hagiwara and Tadahiro Taniguchi and Tetsunari Inamura},
journal= {arXiv preprint arXiv:1803.03481},
year = {2020}
}
备注
Accepted to Autonomous Robots (24 January 2020)