使用马尔可夫逻辑网络增量学习可供性
机器学习
2024-10-24 v1 机器人学
摘要
可供性使机器人能够对其周围环境进行语义理解。这使得它们在完成给定任务时具有更大的行动灵活性。在机器学习模型中捕捉物体可供性是一项困难的任务，因为它依赖于上下文信息。马尔可夫逻辑网络(MLN)将概率推理与能够捕捉此类上下文的逻辑相结合。移动机器人在部分已知的环境中运行，其中可以观察到未见过的物体可供性。这些新信息必须整合到现有知识中，而无需从头开始重新训练MLN。我们引入了MLN累积学习算法(MLN-CLA)。MLN-CLA通过保留知识并仅更新已变化的知识（为此重新训练MLN）来学习各种知识领域中的新关系。我们证明，MLN-CLA对于累积学习和零样本可供性推理是有效的，其性能优于强基线方法。
引用
@article{arxiv.2410.17624,
title = {Incremental Learning of Affordances using Markov Logic Networks},
author = {George Potter and Gertjan Burghouts and Joris Sijs},
journal= {arXiv preprint arXiv:2410.17624},
year = {2024}
}
备注
accepted at IEEE IRC 2024