出了什么问题？：日常物体操作异常的辨识
机器人学
2020-01-27 v1 信号处理
摘要
扩展服务机器人的能力对其在完成日常操作任务中所能达成的范围十分重要。另一方面，确保机器人能判断在某些情形下因异常或执行中的永久性故障而无法完成的任务同样关键。机器人需识别这些情形，并揭示其背后原因以克服并从这些状况中恢复。本文提出并分析了一种基于长短期记忆（LSTM-based）的感知方法，用于揭示非结构化环境中操作片段里出现的异常情形背后的原因。所提方法通过融合视觉、听觉与本体感受感官模态来考量机器人的实时观测以完成该任务。我们还给出了该方法与隐马尔可夫模型（HMMs）及条件随机场（CRFs）的对比分析。异常症状首先从给定训练集中学习，之后可基于所学模型实时分类。这些方法在 Baxter 机器人执行对抗性操作场景上进行了评估。结果表明，LSTM 基于的方法以 0.94 的分类率在异常原因分类上优于其他方法。
引用
@article{arxiv.2001.09084,
title = {What went wrong?: Identification of Everyday Object Manipulation Anomalies},
author = {Dogan Altan and Sanem Sariel},
journal= {arXiv preprint arXiv:2001.09084},
year = {2020}
}