基于多模态层次狄利克雷过程的主动感知
机器人学
2023-01-18 v3 人工智能
机器学习
摘要
在本文中，我们提出了一种基于多模态层次狄利克雷过程(MHDP)的主动感知方法，用于识别物体类别。MHDP使机器人能够利用多模态信息（例如视觉、听觉和触觉信息）形成物体类别，这些信息可通过对物体执行动作来观测。然而，在目标物体上执行许多动作需要很长时间。在实时场景中，即当时间有限时，机器人必须确定对于识别目标物体最有效的动作集合。我们提出了一种基于MHDP的主动感知方法，该方法使用信息增益(IG)最大化准则和懒惰贪婪算法。我们证明了IG最大化准则是最优的，其意义在于该准则等价于最小化最终识别状态与下一组动作之后的识别状态之间的期望Kullback--Leibler散度。然而，直接计算IG在实践中是不可能的。因此，我们利用MHDP的一个性质推导了一种高效的蒙特卡洛近似方法用于IG。我们还表明，由于MHDP图模型的结构，IG作为集合函数具有子模和非递减性质。因此，IG最大化问题被归约为一个子模最大化问题。这意味着贪婪和懒惰贪婪算法是有效的，并且其性能具有理论依据。我们使用一个上半身人形机器人和合成数据进行了实验。实验结果表明，该方法使机器人能够选择一组动作，从而快速准确地识别目标物体。结果支持了我们的理论结论。
引用
@article{arxiv.1510.00331,
title = {Multimodal Hierarchical Dirichlet Process-based Active Perception},
author = {Tadahiro Taniguchi and Toshiaki Takano and Ryo Yoshino},
journal= {arXiv preprint arXiv:1510.00331},
year = {2023}
}
备注
submitted