[論文レビュー] A Real-Time Novelty Detector for a Mobile Robot

Stephen Marsland, Ulrich Nehmzow+1 more|ArXiv.org|Jun 2, 2000

Anomaly Detection Techniques and Applications参考文献 18被引用数 48

ひとこと要約

本論文は、ソナー走査と自己組織化マップ（SOM）を用いて環境の「正常性」の動的モデルを学習する、モバイルロボット向けのリアルタイム新奇性検出アルゴリズムを提示する。このフィルタは、新しい入力を学習済みモデルと比較することで新奇な刺激を検出する。また、希少または頻度の低い出来事象への感度を維持するための忘却機構を組み込み、計算負荷を最小限に抑えつつ、動的な環境でも効果的に動作可能である。

ABSTRACT

Recognising new or unusual features of an environment is an ability which is potentially very useful to a robot. This paper demonstrates an algorithm which achieves this task by learning an internal representation of `normality' from sonar scans taken as a robot explores the environment. This model of the environment is used to evaluate the novelty of each sonar scan presented to it with relation to the model. Stimuli which have not been seen before, and therefore have more novelty, are highlighted by the filter. The filter has the ability to forget about features which have been learned, so that stimuli which are seen only rarely recover their response over time. A number of robot experiments are presented which demonstrate the operation of the filter.

研究の動機と目的

• ロボットが以前に見たことのない環境的特徴をリアルタイムで同定できる新奇性検出システムの開発。
• ソナーデータから得られる内部の「正常性」モデルを用いて、なじみのある刺激と新奇な刺激を区別できるようにすること。
• 頻度の低い刺激が時間経過とともに再び新奇性として検出可能であることを保証するための忘却機構の実装。
• 変動する環境条件下で、実世界のロボット実験を用いてシステムの妥当性を検証すること。
• より高い耐障害性を実現するため、追加のセンサモダリティや代替のニューラルネットワークアーキテクチャの統合を検討すること。

提案手法

• 新奇性フィルタは、ロボットの探索中に収集したソナー走査のトポロジカル表現を学習するために自己組織化マップ（SOM）を用いる。
• SOMは競合学習により重みを更新する：入力ベクトルとのユークリッド距離が最小となるニューロンおよびそのトポロジカル近傍のニューロンが、学習率η(t)を用いて調整される。
• 新奇性は、入力ベクトルと勝者ニューロンの重みベクトル間の再構成誤差を測定することで評価される。
• 忘却機構は、過去にあまり遭遇しなかった古い刺激の影響を徐々に弱めることで実装され、それらが時間経過とともに再び新奇性として検出可能になるように保証される。
• システムはリアルタイムで動作し、ロボットのナビゲーション中にソナーデータを即座に処理する。
• アルゴリズムは、壁沿い走行行動を用いた制御環境下でテストされ、例えばドアの開閉や障害物の導入といった既知の変化を含む。

実験結果

リサーチクエスチョン

• RQ1 モバイルロボットは、ソナー入力と自己組織化ニューラルネットワークのみを用いて、リアルタイムで新奇な環境的特徴を検出できるか？
• RQ2 初期の露出後も、希少または頻度の低い刺激に対する感度を長期間にわたり維持できるか？
• RQ3 忘却機構は、一時的または動的な環境変化の検出をどの程度向上させるか？
• RQ4 学習時と非学習時の間で環境が変化した場合、新奇性フィルタの性能はどの程度保たれるか？
• RQ5 システムは、既知の環境における通常の変動と新奇な特徴を区別できるか？

主な発見

• 新奇性フィルタは、学習環境に存在しなかった壁に埋め込まれたドアのような新奇な特徴を正常に検出できた。
• 繰り返しの露出後、ロボットは以前に新奇であった特徴（例：開かれたドア）を「なじみのあるもの」として学習し、環境変化への適応がうまくいった。
• 忘却機構により、長期間にわたり露出がなかった特徴（例：繰り返し開かれたドアの後に閉じたドア）が、時間経過とともに再び新奇性として検出可能になった。
• 環境AおよびBの実験では、再び学習済み環境に戻った際に、壁の亀裂やドアの奥行きの違いといった差異を正しく新奇と同定した。
• 動的な環境設定でも、段ボールボックスがドアの前に置かれるような希少な刺激に対して、システムは頑健な性能を示した。
• 結果から、SOMベースの学習と忘却機構の組み合わせにより、モバイルロボットの応用に適したリアルタイムで適応可能な新奇性検出が可能であると示唆された。