[論文レビュー] Scene learning, recognition and similarity detection in a fuzzy ontology via human examples

Luca Buoncompagni, Fulvio Mastrogiovanni+1 more|arXiv (Cornell University)|Sep 27, 2017

Semantic Web and Ontologies参考文献 3被引用数 4

ひとこと要約

本稿では、人間が提供する例を用いてロボットがテーブルトップシーンを学習・認識・分類できるようにするファジィオントロジー枠組みを提示している。曖昧な空間的関係をモデル化し、階層的な類似性を推論するためにファジィ論理を活用している。本システムはファジィOWLとファジーディール（fuzzyDL）推論を用いて、所属度を伴うオブジェクトタイプと空間的関係を表現し、シグマカウンターに基づく類似性測定により、複雑なシーンにおいて3.5秒未塔で認識を達成する、頑健なシーン分類と類似性検出を可能としている。

ABSTRACT

This paper introduces a Fuzzy Logic framework for scene learning, recognition and similarity detection, where scenes are taught via human examples. The framework allows a robot to: (i) deal with the intrinsic vagueness associated with determining spatial relations among objects; (ii) infer similarities and dissimilarities in a set of scenes, and represent them in a hierarchical structure represented in a Fuzzy ontology. In this paper, we briefly formalize our approach and we provide a few use cases by way of illustration. Nevertheless, we discuss how the framework can be used in real-world scenarios.

研究の動機と目的

• 人間が提供する例を通じてロボットが自然な人間-ロボットインタラクションを支援する形でシーンを学習・認識できるようにすること。
• テーブルトップ環境におけるオブジェクト間の空間的関係に対する人間の認識に内在する曖昧性に対処すること。
• シーン間の類似性と相違性を捉える階層的ファジィオントロジーとして学習済みシーンを表現すること。
• ファジィで知覚に根ざした記述を用いて、人間とロボット間の長期的知識整理とコミュニケーションを支援すること。
• 現実世界の人間-ロボットインタラクションのシナリオにおけるシーン理解を想定した、スケーラブルで効率的なフレームワークの開発

提案手法

• フレームワークは、ファジーディール（fuzzyDL）推論エンジンによって管理されるファジィOWLオントロジーを用いて、ファジィなオブジェクトタイプと空間的関係を表現する。
• 認識されたオブジェクトは、ファジィ集合（例：Book, Cup）にマッピングされ、所属度（例：Book(B,1), Book(D,.8)）を伴う。
• 空間的関係（例：right）は、所属度を伴うファジィ関係としてモデル化される（例：right(B,D,.9)）。
• 再構成プロセスにより、関係の集約所属度スコア（例：hasBookRight(.8)）が式（2）を用いて計算され、オブジェクトペア間のmin-max所属度の合計が計算される。
• シグマカウンター手法を用いてファジィ記述を比較し、類似性を計算する。左肩型メンバーシップ関数がしきい値付き類似性を定義する。
• 新しいシーン個体が分類されない場合、マッピングM₂を用いて新しいファジィシーンクラス（例：Scene₁ ≡ hasBookRight.atLeast(.8)）が生成され、階層的分類が可能になる。

実験結果

リサーチクエスチョン

• RQ1 人間の提供する例を用いて、人間の空間的認識に内在する曖昧性を考慮した上で、ロボットがシーンを学習・表現する方法は何か？
• RQ2 ファジィ論理を用いて、人間の認識に類似する形でオブジェクト間の空間的関係をモデル化・推論する方法は何か？
• RQ3 オブジェクトタイプと空間的関係のファジィ記述に基づいて、シーン間の類似性を効果的に計算する方法は何か？
• RQ4 長期的知識整理と検索を支援するため、ファジィシーンクラスの階層的構造を自動的に生成する方法は何か？
• RQ5 曖昧な分類や重複するオブジェクト分類が存在する状況でも、リアルタイムで頑健なシーン認識と学習をサポートできるか？

主な発見

• 本システムは、最大3つのオブジェクトと複数の空間的関係を持つシーンを学習・分類でき、複雑なシーンにおいて認識時間を3.5秒未塔に抑えることに成功した。
• シーンの複雑さが増すにつれ学習時間も増加し、3つのオブジェクトと複数のファジィ関係を持つシーンでは3.686秒に達した。
• フレームワークは階層的関係を正しく推論している：Scene₂とScene₃の両方が、完全な所属度でScene₁を含意しており、共通する構造的類似性を反映している。
• シグマカウンター手法は部分的類似性を効果的に捉えており、異なるオブジェクト配置を持つScene₂とScene₃間では低いファジィ含意（例：~0.3）を示している。
• オブジェクトが部分的所属度で本とカップの両方であるような曖昧な分類に対しても、保守的な集約所属度を計算することで、システムは適切に対処している。
• ファジーディール推論エンジンは曖昧な空間的関係を正常に管理しており、物理的距離と負の相関関係を持つ所属度を示しており、意図したとおりの動作を示している。