2020 Fiscal Year Annual Research Report
Transfer learning using body representation between heterogeneous learning robots
| Project/Area Number |
18K18133
|
|---|
| Research Institution | Tokyo Polytechnic University |
|---|
Principal Investigator |
河野 仁 東京工芸大学, 工学部, 助教 (70758367)
|
|---|
| Project Period (FY) |
2018-04-01 – 2021-03-31
|
| Keywords | 身体図式 / 身体マッピング / 強化学習 / 転移学習 / 多脚型ロボット |
|---|
| Outline of Annual Research Achievements |
学習アルゴリズムを実装した知能ロボットシステムでは，環境適応性能の向上や学習速度の高速化などを目的に獲得した知識の再利用手法である転移学習手法が用いられる．とりわけ強化学習ロボットで獲得した知識（方策など）において，身体性が異なるロボット間で知識の再利用を行うためには「身体性（ハードウェア）の違いとその対応関係」の記述が必要となる．この対応関係（マッピング）は通常ヒトの直観と経験により定義されるが，自律的にマッピングを記述する手法はまだ十分に議論がなされていない．
そこで本研究課題では，心理学領域で提案されているヒトの脳内に備わっているとされている身体表象の変容メカニズムを参考に，ロボットが身体性の違いを自動的に獲得する手法の開発が目的である．ロボットが自動的に身体の構造や各要素の接続関係，関係性を獲得することで，前述の転移学習におけるマッピングを自動化する．
これまでロボットが自動的に身体構造を学習するボディキャリブレーションを提案し，最終年度では物理演算シミュレーション内で構築した仮想多脚型ロボットと，2種類の実多脚型ロボットにおいてボディキャリブレーションを行い，それらのロボット間で強化学習と転移学習を実行した．実験の結果から，提案手法であるボディキャリブレーションにより転移学習に必要な身体性の違いの記述をボディキャリブレーションにて実現することを示した．しかし，ヒトによる手動マッピングと提案手法によるマッピングを比較すると，提案手法は手動マッピングほどの正確なマッピングに及ばず，提案手法のマッピング精度や信頼性向上が今後の課題である．
|
