|
本年度は，インタラクションを通した作業の表現（作業モデル）の獲得について研究を行った．人がロボットに教示する場合を考え，教示後に両者のパフォーマンスに違いがある場合の原因を以下の3つに分類した：(1)ロボットが人の教示内容を認識する際の能力不足，(2)ロボットが人の教示内容をモデル化する際のモデルの表現力不足，(3)足りない情報を得るためのロボットのインタラクション能力不足．ここでは，(2)の問題を取り上げ，モデルの表現を拡張する方法について研究を行った．
一般に物体や環境などの世界の情報は特徴量の組み合わせとして表現できる．したがって，ロボットは人とのインタラクションを通して，必要十分な表現力をもつ特徴量の組を獲得する必要がある．本研究では，さまざまな物体を，与えられた規則に従って決められた場所に置く，というタスクを対象として特徴量の組を獲得するアルゴリズムを開発した．
まず特徴量の数と学習性能との関係を解析し，特徴の数が少ない場合には正しい識別器を得ることができず，また十分大きい場合には必ず正しい識別器を得ることはできるが，識別器の構成に計算時間がかかることを示した．そこで，最適な特徴の数（と組み合わせ）をインクリメンタルに探索するアプローチが有効であると考えた．
本研究で開発したアルゴリズムの主な処理は，新たな教示例の追加にしたがって，(1)追加すべき特徴の選択，(2)モデル更新と性能評価，(3)冗長な特徴の選択と削除，の3つのステップを繰り返すものである．十分な量の教示例が与えられれば正しいモデルを獲得できるが，少ない場合には人の教示方法（例題の与える順序）に依存して正しいモデルを獲得するまでの時間が異なったり，また正解とは異なる特徴の組で100%の性能をもつモデルが得られることが示された．早い段階で最適なモデルを得るためのインタラクションの計画が今後の課題である．
|
