Das vorgestellte Framework umfasst die Auswahl von exploratorischen Aktionen, um das Lernen über Objekte auf einem Tisch zu maximieren. Ein Bayes'sches Netzwerk modelliert die bedingten Abhängigkeiten zwischen Objekteigenschaften und berücksichtigt Vorwahrscheinlichkeitsverteilungen sowie die mit Messaktionen verbundene Unsicherheit. Der Algorithmus wählt optimale exploratorische Aktionen basierend auf dem erwarteten Informationsgewinn und aktualisiert die Objekteigenschaften durch Bayes'sche Inferenz. Die experimentelle Auswertung zeigt eine effektive Aktionsauswahl im Vergleich zu einer Baseline und ein korrektes Beenden der Experimente, wenn nichts Neues mehr zu lernen ist. Der Algorithmus verhält sich intelligent, wenn er mit Trick-Objekten konfrontiert wird, deren Materialeigenschaften im Widerspruch zu ihrem Aussehen stehen. Die Roboterpipeline ist mit einem Logging-Modul und einer Online-Datenbank von Objekten integriert, die über 24.000 Messungen von 63 Objekten mit verschiedenen Greifern enthält. Der gesamte Code und die Daten sind öffentlich verfügbar, um die automatische Digitalisierung von Objekten und ihren physikalischen Eigenschaften durch exploratorische Manipulationen zu erleichtern.
Naar een andere taal
vanuit de broninhoud
arxiv.org
Belangrijkste Inzichten Gedestilleerd Uit
by Andrej Kruzl... om arxiv.org 04-12-2024
https://arxiv.org/pdf/2404.07344.pdfDiepere vragen