集成自定位与从语音句子无监督词发现的移动机器人空间概念获取
人工智能
2016-11-17 v3 计算与语言
机器人学
摘要
在本文中，我们提出了一种新颖的无监督学习方法，用于从人类连续语音信号中获取机器人所访问地点相关词汇。我们解决了机器人学习新词的问题，该机器人除原始声学模型外对这些词没有先验知识。此外，我们提出了一种方法，使机器人能将习得的词及其意义有效用于自定位任务。所提方法为非参数贝叶斯空间概念获取方法（SpCoA），它通过关联空间概念的潜变量，集成了自定位生成模型与发声句子中的无监督词分割。我们在仿真环境 SIGVerse 和真实环境中的移动机器人 TurtleBot2 上实现了所提方法 SpCoA。此外，我们进行了评估 SpCoA 性能的实验。实验结果表明，SpCoA 使机器人能够从语音句子中获取地点名称。它们还揭示机器人能有效利用获取的空间概念并降低自定位中的不确定性。
引用
@article{arxiv.1602.01208,
title = {Spatial Concept Acquisition for a Mobile Robot that Integrates Self-Localization and Unsupervised Word Discovery from Spoken Sentences},
author = {Akira Taniguchi and Tadahiro Taniguchi and Tetsunari Inamura},
journal= {arXiv preprint arXiv:1602.01208},
year = {2016}
}
备注
This paper was accepted in the IEEE Transactions on Cognitive and Developmental Systems. (04-May-2016)