[Track2-1] ディープラーニングのロボット応用事例 ーデータからエクスペリエンスへー
•
0 gefällt mir•2,901 views
2020/8/1 Deep Learning Digital Conference 早稲田大学 理工学術院 基幹理工学部 表現工学科 教授 次世代ロボット研究機構 AIロボット研究所 所長 一般社団法人日本ディープラーニング協会 理事 尾形 哲也 氏
Empfohlen
Weitere ähnliche Inhalte
Was ist angesagt?
Was ist angesagt? (20)
Ähnlich wie [Track2-1] ディープラーニングのロボット応用事例 ーデータからエクスペリエンスへー
Ähnlich wie [Track2-1] ディープラーニングのロボット応用事例 ーデータからエクスペリエンスへー (20)
Mehr von Deep Learning Lab（ディープラーニング・ラボ）
Mehr von Deep Learning Lab（ディープラーニング・ラボ） (20)
[Track2-1] ディープラーニングのロボット応用事例 ーデータからエクスペリエンスへー
- 1. ディープラーニングの ロボット応⽤事例 ーデータからエクスペリエンスへー 尾形哲也 早稲⽥⼤学 理⼯学術院 教授／AIロボット研究所 所⻑ 産業技術総合研究所⼈⼯知能研究センター 特定フェロー ⽇本ディープラーニング協会 理事
- 2. 尾形哲也（おがたてつや） 1993 早稲⽥⼤学 理⼯学部 機械⼯学科 卒業 2001-2009 早稲⽥⼤学 ヒューマノイド研究所 客員講師&客員准教授 2001-2003 理化学研究所 脳科学総合研究センター 研究員 2003-2012 京都⼤学⼤学院 情報学研究科 知能情報学専攻 講師&准教授 2012-現在 早稲⽥⼤学 理⼯学術院 基幹理⼯学部 表現⼯学科 教授 2017-現在 産業技術総合研究所 ⼈⼯知能研究センター 特定フェロー 2013-2014 ⽇本ロボット学会 理事 2016-2018 ⼈⼯知能学会 理事 2017-現在 ⽇本ディープラーニング協会 理事 2020-現在 早稲⽥⼤学 次世代ロボット研究機構 AIロボット研究所 所⻑
- 5. ロボットの汎⽤性への挑戦 - スマートロボットへ - ¡ 例︓家事（”⼈間と同じ⽅法で” 料理，掃除，洗濯）は，現在の ロボティクスでは超難関課題 ¡ 専⽤機なら可能だが問題設定が 異なる（スマートフォン） 環境の作込みが不要＆⼈間と同等 に複数のタスクをこなす AIでロボットハードウェアの潜在 能⼒を引き出す?
- 6. 深層学習のロボットへの適⽤ - Yann Lecunのケーキ (2017) - ¡ 教師あり深層学習 ¡ センサー値→ラベル（環境，ロボット等の精緻な物理モデル） への⼀⽅向マッピング L 柔軟物，流体などはモデリングが困難 ¡ 深層強化学習（⽶国で膨⼤な論⽂が発表） ¡ “センサー値と動作の組”から報酬の期待値を学習 L 膨⼤な学習試⾏探索が必須（⼤量データが前提） L シミュレーション研究中⼼，実機でも簡易タスクのみ ¡ 深層予測学習（教師なし深層学習） ¡ ⼈間のスキルのクローニング（ロボットの柔軟性） 強化学習 教師あり学習 教師なし学習 予測学習
- 7. コマンド教⽰モードマニュアル教⽰モード 模倣“予測学習” P. Yang, K. Sasaki, K. Suzuki, K. Kase, S. Sugano, and T. Ogata, IEEE Robotics and Automation Letter, 2016.
- 8. • 対象物体︓ - 学習データ︓4種類の布 - テストデータ︓3種類の布 • 動作︓ - 無造作に置かれた布の把持と折畳み - ホームポジションへの戻る動作を含む • 学習データ: - 右カメラ︓112x112x3 (37632次元) - 2腕 + 2ハンド (14次元) - サンプリングレート 10FPS (35動作, 平均70秒) Train Data Test Data 折畳みタスク
- 10. 10
- 13. 13
- 14. 14
- 15. 15
- 17. AIの信頼性について ¡ 第１レベル︓従来のAIで抑制 ¡ ロボットであればバーチャルバリアの導⼊ ¡ 第２レベル︓深層学習が獲得する表現の理解 ¡ 不連続なデータ，フラクタル構造など ¡ 第３レベル︓⾝体を伴った⼈間い近い知能へ ¡ トップダウン（受動的）データからボトムアップ（能動 的）⾝体経験へ ⾝体知の理解へ
- 18. 認知発達ロボティクス ¡ 神経回路モデルとロボットを⽤いた⼈間の認知 機構の構成論的理解 ¡ 「計算論的精神医学」に位置 [Karl J Friston et al, 2014] 脳の情報伝達における仮説 （例︓神経回路モデルへの実装） 実体(⾝体)に現れる現象 （例︓ロボットの⾏動を観察）
- 19. 発達ロボティクスからの設計思想 1. 経験の学習（エクスペリエンス・ベースド） ¡ 運動と感覚を区別せず学習（順逆モデル） ¡ 「感覚ー>動作」のマップではなく，環境との インタラクションを学習 2. “Multi-time scale”を扱う階層構造 ¡ 異なったレベルでの予測により，トップダウンと ボトムアップのインタラクションが⽣じる ¡ 予測符号化 3. “Novelty rewarding”による⾏動の探索，⽬ 標（報酬系）の⽣成 4. “Symbol grounding”，実世界と記号世界の 関係 Slow Context S-MTRNN Sensory Prediction Fast Context Sensory Inputs Higher-Level Network Lower-Level Network Variance Prediction MTRNN (Y. Yamashita, J. Tani, 2008)
- 20. 終わり Cutieroid, Hatsuki [P. C. Yang, T. Ogata, et al., 2020] アニメ⽂化 x 深層学習 x ロボティクス