[論文レビュー] Grounding Perception: A Developmental Approach to Sensorimotor Contingencies

Alban Laflaquière, Nikolas Hemion+2 more|arXiv (Cornell University)|Oct 3, 2018

Child and Animal Learning Development被引用数 5

ひとこと要約

本論文は、ナマズロボットが予測モデルを用いてセンサモータリコントロールを自律的に学習できる発達的ロボティクスフレームワークを提案する。ランダムな探索から得られる状態遷移グラフのクラスタリングにより、視覚フィールドの移動や物体の縁に対する不変性といった構造的で予測可能なパターンを発見し、世界に関する事前の知識なしに根拠のある知覚を可能にする。

ABSTRACT

Sensorimotor contingency theory offers a promising account of the nature of perception, a topic rarely addressed in the robotics community. We propose a developmental framework to address the problem of the autonomous acquisition of sensorimotor contingencies by a naive robot. While exploring the world, the robot internally encodes contingencies as predictive models that capture the structure they imply in its sensorimotor experience. Three preliminary applications are presented to illustrate our approach to the acquisition of perceptive abilities: discovering the environment, discovering objects, and discovering a visual field.

研究の動機と目的

• ロボティクス分野における『知覚とは何か』という根本的問いに応えること。手動で特徴抽出を行うのではなく、それらを回避する。
• ナマズロボットが段階的で経験に基づく学習によって自律的に知覚能力を習得できる仕組みを実現すること。
• 発達的原則に基づき、センサモータリコントロールをセンサモータリコントロール経験から導出された予測モデルとして形式化すること。
• 環境の発見、物体検出、視覚フィールド構造といった多様な知覚的スキルを、1つの計算フレームワークで統合すること。
• 階層的抽象化と将来の内的動機付け統合を支援する、汎用的かつスケーラブルなセンサモータリコントロール学習メカニズムを開発すること。

提案手法

• モータリコマンドが感覚入力の変化を予測できるように、センサモータリコントロール遷移の統計的構造を捉えるために予測モデルを用いる。
• 安定したセンサモータリコントロールの連携を表す密接に接続された部分グラフを特定するために、状態遷移グラフのクラスタリングを適用する。
• タスク固有のバイアスを避けるために、多様なセンサモータリコントロール経験を生成するため、ランダムな探索方策を採用する。
• センサモータリコントロール遷移を条件付き確率 $ P(X^{b}_{l} | abla M_{q}, X^{a}_{k}) $ としてモデル化し、$ X^{a}_{k} $ と $ X^{b}_{l} $ を感覚状態、$ abla M_{q} $ をモータリコマンドとする。
• 例えば、サッカードの間の一貫した感覚的シフトや縁に対する自己予測といった、予測可能な遷移を特定し、学習済みの連携を裏付ける。
• 遷移確率の行列可視化を用いて、センサモータリコントロールデータ内の構造的パターンを検出および解釈する。

実験結果

リサーチクエスチョン

• RQ1 環境に関する事前の知識なしに、ロボットがどのように自律的にセンサモータリコントロールを発見できるか。
• RQ2 どのような計算的メカニズムが、生のセンサモータリコントロール経験から段階的に知覚的スキルを習得可能にするか。
• RQ3 予測モデルが、根拠のある知覚を支援する形で、センサモータリコントロール遷移に内在する構造をどのように捉えることができるか。
• RQ4 1つの汎用的フレームワークが、視覚フィールド構造、物体の境界、環境のレイアウトといった多様な知覚的現象の発見を統合できるか。
• RQ5 発達的ロボティクスの文脈において、センサモータリコントロール学習が階層的で抽象的な表現の出現をどのように支援できるか。

主な発見

• ロボットは視覚フィールド内のサッカードシフトに対応する予測可能なセンサモータリコントロール遷移を正常に同定し、遷移行列 $ T $ において赤い対角パターンとして可視化された。
• モータリコマンドが縁の方向と一致する状態では、高い確率の自己遷移が観察され、不変性構造の検出を示した。
• ホワイトノイズのシーンでは、サッカード関連の遷移のみが予測可能であったため、環境に依存する連携がモデルのアーチファクトではないことを確認した。
• 同じコアメカニズムを用いて、環境のレイアウト、物体の境界、視覚フィールド構造といった複数の異なる知覚的現象を発見できた。
• 事前の教師なし学習やタスク固有の設計なしに、センサモータリコントロールデータ内の構造的規則性を予測モデルが捉えた。
• 学習済みの連携が、より高レベルのセンサモータリコントロール抽象化の構築要素として機能できることから、階層的表現の出現を支援する。