[論文レビュー] Novelty Detection for Robot Neotaxis

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

Evolutionary Algorithms and Applications参考文献 17被引用数 19

ひとこと要約

本稿では、反復的刺激をフィルタリングし、新奇な刺激に注意を向けるために習慣化に基づくシナプス可塑性を用いた、生物にインspiredされた新奇性検出アルゴリズムを提案する。このシステムは、自己組織化マップ（SOM）、K-平均法（K-Means）、時系列Kohonenマップ（TKM）を用いたクラスタリングネットワークと習慣化可能なシナプスを組み合わせて実装され、『ニューテクシス』—新奇な刺激に向かってロボットが旋回する行動—を実現した。制御された実験（点滅する光やセンサ入力）において、成功裏に検証された。

ABSTRACT

The ability of a robot to detect and respond to changes in its environment is potentially very useful, as it draws attention to new and potentially important features. We describe an algorithm for learning to filter out previously experienced stimuli to allow further concentration on novel features. The algorithm uses a model of habituation, a biological process which causes a decrement in response with repeated presentation. Experiments with a mobile robot are presented in which the robot detects the most novel stimulus and turns towards it (`neotaxis').

研究の動機と目的

• 自律ロボットが新奇な環境的刺激を優先するリアルタイムでオンラインの新奇性検出メカニズムを開発すること。
• 生物学的インスピレーションを用いて、繰り返しの familiar な刺激をフィルタリングすることで、感覚データの負荷を低減する課題に対処すること。
• 注意を新しいまたは変化した特徴へと移動できる、習慣化に基づくフィルタリングメカニズムの実装と評価。
• 異なるクラスタリングネットワーク（SOM、K-Means、TKM）を用いたモバイルロボット環境下での、本システムの耐障害性と適応性の評価。
• 学習済みのベースライン特徴をもとに、環境に変化や異常を検出できるインspect Agent としてのロボットの機能を可能にすること。

提案手法

• 新奇性フィルタは、生物学的シナプス抑制を模倣した習慣化メカニズムを用いる。微分方程式 $\tau\frac{dy(t)}{dt} = \alpha[y_0 - y(t)] - S(t)$ で記述され、$y(t)$ はシナプス効率、$S(t)$ は刺激、$\tau$ と $\alpha$ はそれぞれ習慣化と回復の速度を制御する。
• 入力刺激をニューロンにマップするためのクラスタリングネットワーク（SOM、K-Means、または時系列Kohonenマップ）を用い、勝者となったニューロンの出力は、繰り返し発火に伴い低下する習慣化可能なシナプスによって調整される。
• 刺激が消失した際にシナプス効率を回復させるための不習慣化メカニズムを含み、忘却を模倣し、かつて非活性だった刺激の再検出を可能にする。
• 全センサが同じ刺激を認識できるように、90°の停止を伴う360°回転を実行することで、センサ固有の活性化による誤った注意移動を防ぐ。
• 新奇性フィルタの出力は、ロボット行動を駆動する：最も新奇な刺激に向かって旋回するという行動を『ニューテクシス』と呼ぶ。
• センサのポーリングにおけるタイミングジッターに起因する誤った読み取りを最小限に抑えるために、入力のサンプリングを一貫させる前処理が施されている。

実験結果

リサーチクエスチョン

• RQ1 習慣化に基づくシナプスメカニズムは、リアルタイムのロボットシステムにおいて、繰り返しの刺激を効果的にフィルタリングし、新奇な刺激を際立たせるか？
• RQ2 SOM、K-Means、TKM といった異なるクラスタリングネットワークは、新奇性フィルタの特徴マッピング部として、性能と安定性においてどのように比較されるか？
• RQ3 忘却／不習慣化メカニズムの導入により、長時間の不在後でも、システムの新奇な刺激検出能力が向上するか？
• RQ4 センサ固有の入力変動があっても、ロボットは信頼性を持ってニューテクシス（最も新奇な刺激に向かって旋回）を実行できるか？
• RQ5 ノイズや一貫性のないセンサ入力に対して、システムはどれほど耐障害性を示し、信頼性ある運用のためにはどのような前処理が必要か？

主な発見

• 新奇性フィルタは、すべてのテスト条件下でロボットが最も新奇な刺激を検出し、それに向かって旋回することに成功し、一貫したニューテクシス行動を示した。
• 時系列Kohonenマップ（TKM）は、短ー短ー長ー長や短ー長ー短ー長といった時間的変動を持つ点滅パターンを認識する点で、SOM や K-Means を上回った。
• SOM は、センサポーリングのタイミングの不一致に起因し、予期しない入力変動と遅延反応を引き起こすことがあり、誤った読み取りを生じた。
• システムの性能は入力の一貫性に敏感であり、ノイズ低減と信頼性向上の観点から、センサの前処理が極めて重要であった。
• 忘却メカニズム（不習慣化）の導入により、長期間の不在後でも刺激を再検出できるようになり、長期的な新奇性検出能力が向上した。
• 本手法はインスペクションエージェントとしての実用可能性を示した：ベースライン環境特徴を学習した後、ロボットは以降の接触で新たな変化を検出できるようになった。