面向在线机器人属性学习的多模态探索动作规划
机器人学
2021-06-09 v2
摘要
机器人经常需要使用多模态探索动作（如“看”、“举起”、“摇晃”）来感知物体属性（如“红色”、“重”、“空”）。机器人属性学习算法旨在针对给定探索动作学习每个可感知属性的观测模型。一旦属性模型被学习，它们可用于识别新物体的属性，回答诸如“该物体是否为红色且为空？”等问题。属性学习与识别在文献中被视为两个独立问题。本文中，我们首先定义了一种称为在线机器人属性学习（On-RAL）的新问题，其中机器人同时进行处理属性学习与属性识别。随后我们开发了称为信息论奖励塑造（ITRS）的算法，主动应对On-RAL问题中探索与利用之间的权衡。ITRS与具有竞争力的机器人属性学习基线进行了比较，实验结果表明ITRS在学习效率与识别准确率上具有优越性。
引用
@article{arxiv.2106.03029,
title = {Planning Multimodal Exploratory Actions for Online Robot Attribute Learning},
author = {Xiaohan Zhang and Jivko Sinapov and Shiqi Zhang},
journal= {arXiv preprint arXiv:2106.03029},
year = {2021}
}
备注
To be published in Robotics: Science and Systems (RSS), July 12-16, 2021