[論文レビュー] Software Testing, AI and Robotics (STAIR) Learning Lab

Simon Haller-Seeber, Thomas Gatterer+4 more|arXiv (Cornell University)|Apr 6, 2022

Robotics and Automated Systems被引用数 4

ひとこと要約

STAIR Learning Labは、K-12のSTEM教育を目的とした、AI、ソフトウェアテスト、教育用ロボット工学を統合した二重の物理的・シミュレーテッドロボティクスプラットフォームを導入した。独自に開発されたSphero RVRとLynxmotionアームをROSで統合し、Teachable Machine、SVM、YOLOモデルを用いた教具的AIトレーニング（例：交通標識認識）を可能にした。デジタルツインと実機の間でシームレスなテストが実現された。

ABSTRACT

In this paper we presented the Software Testing, AI and Robotics (STAIR) Learning Lab. STAIR is an initiative started at the University of Innsbruck to bring robotics, Artificial Intelligence (AI) and software testing into schools. In the lab physical and virtual learning units are developed in parallel and in sync with each other. Its core learning approach is based the develop of both a physical and simulated robotics environment. In both environments AI scenarios (like traffic sign recognition) are deployed and tested. We present and focus on our newly designed MiniBot that are both built on hardware which was designed for educational and research purposes as well as the simulation environment. Additionally, we describe first learning design concepts and a showcase scenario (i.e., AI-based traffic sign recognition) with different exercises which can easily be extended.

研究の動機と目的

• ティロリアの学校における教育的ロボット工学とAI統合のギャップを埋めるために、アクセス可能で実践的な学習体験を提供すること。
• 低コストで耐障害性があり拡張性のあるロボティクスプラットフォームを構築し、実世界のコンピューティングとシミュレーテッド環境を組み合わせ、AIとソフトウェアテストの教育を可能にすること。
• ブロックベースプログラミングから高度なMLモデルのデプロイまで、多様な学習レベルに対応する段階的な演習を通じて、実機および仮想ロボット上で学習を促進すること。
• Sphero RVRとLynxmotionアームのための標準化されたROSベースのソフトウェアスタックを確立し、再現可能でテスト可能で拡張可能な教育的ワークフローを実現すること。
• 教育的成果の評価と改善を、証拠に基づくカリキュラム開発と教師のフィードバックを反映した教材設計を通じて行うこと。

提案手法

• Sphero RVRを移動ベースとして使用し、Lynxmotion 4-DoFアームを操作用に採用し、Nvidia Jetson Nanoを搭載してオンボードAI処理を実現するハイブリッドロボティクスプラットフォームを設計した。
• 3次元認識とセンサーフュージョンを可能にするためにIntel RealSense D435深度カメラを統合し、物体検出やSLAMなどの高度なAIタスクを実現した。
• 物理的およびシミュレーテッド環境の両方で制御、通信、テストを統一するための標準化されたROSミドルウェアスタックを構築した。
• Visual Studio CodeおよびIntelliJ IDEA用のROSプラグインを活用し、両環境間での実行を可能にした。複数のテストフレームワークをサポートする自動テストを実現した。
• Teachable Machine（初心者）、SVM（中級者）、YOLO（上級者）モデルを用いた、AIベースの交通標識認識をテーマにした段階的学習シナリオを開発した。
• 物理ロボットの挙動を正確に再現するデジタルツインシミュレーション環境を提供し、両環境で同一のコード実行とテストが可能になった。

実験結果

リサーチクエスチョン

• RQ1 統一された物理的・シミュレーテッドロボティクスプラットフォームは、K-12学校におけるスケーラブルで実践的なAI教育およびソフトウェアテスト教育をどのように支援できるか？
• RQ2 アクセスしやすいハードウェアを用いて、AIの基本的モデルトレーニングから高度なディープラーニングまでを段階的に導入するための最も効果的な学習パスは何か？
• RQ3 ROSベースのミドルウェアは、物理的およびシミュレーテッドロボティクス環境間で一貫性があり、テスト可能で拡張可能なソフトウェア開発をどのように可能にするか？
• RQ4 低コストでオープンソースのロボティクス部品は、教育現場における高度なAIおよびソフトウェアテストタスクをどの程度サポートできるか？
• RQ5 教師のフィードバックを反映した学習設計と証拠に基づく評価は、ロボット工学教育プログラムの効果をどの程度向上できるか？

主な発見

• STAIR Learning Labは、Sphero RVR、Lynxmotionアーム、Jetson NanoをROSで統合した完全に機能するロボティクスプラットフォームを成功裏に開発し、リアルタイムのAI推論とソフトウェアテストを可能にした。
• プラットフォームは、Teachable Machineでのデータ収集およびモデルトレーニングから始まり、実機およびシミュレーテッドロボットへのデプロイとテストまでをカバーするエンドツーエンドのAIワークフローをサポートしている。
• デジタルツインの活用により、両環境で同一のコード実行とテストが可能となり、ソフトウェア品質の向上とデバッグ時間の短縮が顕著に実現された。
• 段階的な学習アプローチにより、ブロックベースプログラミングからYOLOモデルのトレーニングおよび評価まで、初心者から上級者までの学生がAIに参加できるようになった。
• VS CodeおよびIntelliJ IDEAプラグインを備えたROSベースのソフトウェアスタックは、自動テストおよびバージョン管理をサポートし、堅牢なソフトウェア開発プロセスを実現した。
• GMARサマースクール参加者を対象とした予備的テストにより、プラットフォームの使いやすさが検証され、将来的な証拠に基づくカリキュラム開発を支援する重要なソフトウェア改善点が同定された。