2015 Fiscal Year Annual Research Report
実世界で稼働するロボットのためのマルチモーダル属性の推定
| Project/Area Number |
14J11476
|
|---|
| Research Institution | Tokyo Institute of Technology |
|---|
Principal Investigator |
木村 大毅 東京工業大学, 総合理工学研究科, 特別研究員(DC2)
|
|---|
| Project Period (FY) |
2014-04-25 – 2016-03-31
|
| Keywords | ロボット / マルチモーダル / 属性 / ニューラルネットワーク / 機械学習 / 転移学習 / ロボット動作 / 知識の転移 |
|---|
| Outline of Annual Research Achievements |
本研究の目的は，自律知能ロボットを実現するための，マルチモーダル情報の学習及び推定手法の構築である．昨年度は，画像や音声などのマルチモーダルセンサを用いた属性の学習及び推定手法の構築を実施した．
本年度は，まず，昨年度の研究内容に関する追加実験を実施した．具体的には，実験で用いた物体の種類を増加させ，定量的な評価を行った．そして，それらの内容を国際学会において口頭発表した．
更に，属性情報の推定結果をロボットが効果的に活用するために，動作情報に関する効率的な学習手法を提案した．既存の手法では，ロボットの特性（スペック）が異なる場合，それぞれのロボットに対して動作情報を個別に学習させる必要が存在する．これは，新しいロボットの出現時やロボット特性の変化時に，一から動作を学習させる必要があることを意味しており，このような手法では一般家庭へのロボット普及は難しいと考えられる．
そこで我々は，異なる特性を持つロボット上で学習された動作知識を転移して，効率的に動作を学習することが可能な手法を提案した．この手法により，新たなロボットに動作を学習させる場合，他のロボット上で学習した知識を活用することで，比較的少数の学習で知識の獲得が可能となった．例えば，数十万回の動作試行により得られた知識を，数十回の動作試行で獲得することが出来た．この特性により，動作知識を早く学習されることが可能となった．また，動作試行の回数を減らすことができるため，実機のロボットに対する耐久性の向上も実現した．この研究内容については，本年度に学術論文にまとめ，採録が決定した．
|
| Research Progress Status |
27年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
27年度が最終年度であるため、記入しない。
|
Research Products
(3 results)
