2019 Fiscal Year Research-status Report
概念のプロトタイプ獲得を可能とするロボットの認知モデルの構築と大規模転移学習
| Project/Area Number |
18K18134
|
|---|
| Research Institution | Ritsumeikan University |
|---|
Principal Investigator |
萩原 良信 立命館大学, 情報理工学部, 講師 (20609416)
|
|---|
| Project Period (FY) |
2018-04-01 – 2021-03-31
|
| Keywords | 転移学習 / 記号創発ロボティクス / 教師なし学習 / カテゴリゼーション / 生成モデル / ベイズ推論 / 生活支援ロボット / 概念形成 |
|---|
| Outline of Annual Research Achievements |
マルチモーダル情報に基づく場所概念形成モデルを拡張して、多様な環境での効率的な学習を可能とする転移学習モデルを構築し、階層ベイズモデルによる新規環境での追加学習を可能とした。
新規環境での追加学習が可能な転移学習モデルは、場所のカテゴリ毎の観測情報を生成するモデルパラメータを複数の環境で共通に学習し、さらに個別の環境におけるローカルな場所の知識に関するモデルパラメータを適応的に追加学習する事を可能としたモデルである。この場所概念転移学習モデルを用いて40環境での転移学習を仮想環境において実施し、場所における名前と位置の予測精度を定量的に評価した。その結果、名前の予測と位置の予測の両方の結果において場所概念の転移学習モデルは、環境に共通する場所の学習を効率化し、環境に固有の場所の追加学習を可能とする事が示された。環境に汎化された知識と環境に固有の知識を階層ベイズにより学習する当該モデルは、生活支援ロボットの柔軟な環境適用を可能とし、学習効率を大幅に高める事が可能である。
また、本研究課題に関連する研究として、生活支援ロボットが獲得した場所概念の可視化手法の構築、マルチエージェントにおける記号創発と概念形成のダイナミクスのモデル化、場所概念・言語モデル・地図の同時学習モデルのオンライン化等に取り組んだ。
これらの研究において、原著論文５件、国際会議論文１件、国内学会発表論文５件の研究成果を得た。
当該研究に関係する実績として、国際的な知能ロボットの大会である World Robot Summit 2019の Service Category, Future Convenience Store Challenge に合同チームで出場し、接客タスクにおいて二位の結果を残した。また、RoboCup Japan Open 2019 @Homeにおいて準優勝し、人工知能学会賞を受賞した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
階層ベイズモデルに基づく場所概念の転移学習モデルを構築し、プロトタイプ獲得のための基盤技術を確立した。構築した転移学習モデルが有効に機能している事は、仮想環境での大規模データセットを用いた定量的な実験から確認できた。これにより、場所概念のプロトタイプ獲得に不可欠な大規模データセットを用いた場所概念の効果的な学習が可能となった。場所概念のプロトタイプの獲得には、これまで研究代表者が扱ってきた概念の抽象性ではなく、概念の中心性にアプローチしなければならない。概念の抽象性は、環境や事象に対して汎用的な情報を統計的に扱う事により獲得できたが、概念の中心性は、概念間における典型性を情報尺度により計算する事で獲得する。これを実現する計算論モデルは、既に構築済みであり、学習済みの場所概念転移学習モデルのモデルパラメータから計算可能である。
さらに、これまでの転移学習モデルでは、全環境のデータセットを用いてモデルパラメータを推論するためデータ容量や計算量のコストが高い問題があったが、今年度に構築したモデルは、理論的には学習済みのモデルパラメータを使った追加学習が可能であり、データ容量や計算量のコストを大幅に削減する事が可能である。これにより、当該研究課題の実験を加速する事が期待される。
|
| Strategy for Future Research Activity |
今後は、概念間における典型性を数値的に扱うための情報的尺度について情報理論における複数の計算論モデルを用いた比較実験を行い、妥当性について検証する。また、階層ベイズモデルにより表現される環境依存モデルパラメータをコンディション（状況）依存の知識として扱い、コンディションによってダイナミック変容する概念と典型性を扱うモデルを構築する。
モデルの妥当性を検証するために、獲得したプロトタイプに基づく未観測情報（名前や位置）の予測を行い、被験者の予測結果を正解として精度を定量的に評価する。例えば、「リビング」という言語情報が観測された場合に予測する物体情報や位置情報を被験者の結果と比べる方法がある。これにより、どのモデルが人の認知の結果に近い予測を得るプロトタイプの獲得を可能とするか評価する。実験は、シミュレータを用いたオフラインのプロセスによって実施するため、モデルパラメータを切り替えた複数のモデルの評価をパラレルに実施する予定である。
さらに、研究代表者が研究協力者として参加する脳科学や認知科学に関係するプロジェクトにおける知見を得ながらモデルの推敲と評価を繰り返す事で、構成論的な枠組みにおけるモデルの妥当性についても考察する。
|
