[논문 리뷰] Scene learning, recognition and similarity detection in a fuzzy ontology via human examples

Luca Buoncompagni, Fulvio Mastrogiovanni외 1명|arXiv (Cornell University)|2017. 09. 27.

Semantic Web and Ontologies참고 문헌 3인용 수 4

한 줄 요약

이 논문은 인간이 제공한 예시를 바탕으로 로봇이 사물 테이블 장면을 학습하고, 인식하며, 분류할 수 있도록 하는 퍼지 온톨로지 프레임워크를 제안한다. 이는 퍼지 논리로 모호한 공간 관계를 모델링하고 계층적 유사성을 유추함으로써 가능해진다. 시스템은 퍼지 OWL와 퍼지DL 추론을 사용하여 소속도 정도를 갖는 객체 유형과 공간 관계를 표현하며, 시그마 컨터 기반의 유사도 측정을 통해 강건한 장면 분류 및 유사도 탐지 기능을 제공한다. 복잡한 장면에 대해서도 3.5초 이내로 인식을 달성한다.

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.

연구 동기 및 목표

• 로봇이 인간이 제공한 예시를 바탕으로 자연스러운 인간-로봇 상호작용을 지원하는 방식으로 장면을 학습하고 인식할 수 있도록 하는 것.
• 탁상 환경에서 객체 간 공간 관계에 대한 인간의 인지적 모호성 문제를 다루는 것.
• 장면 간 유사성과 상이성을 포괄하는 계층적 퍼지 온톨로지로 학습된 장면를 표현하는 것.
• 퍼지적이고 감각적으로 기반한 서술을 통해 장기적인 지식 조직 및 인간과 로봇 간의 소통을 지원하는 것.
• 실세계의 인간-로봇 상호작용 시나리오에서 장면 이해를 위한 확장 가능하고 효율적인 프레임워크를 개발하는 것.

제안 방법

• 프레임워크는 퍼지DL 추론기를 통해 관리되는 퍼지 OWL 온톨로지로, 퍼지 객체 유형과 공간 관계를 표현한다.
• 감지된 객체들은 소속도 정도(예: Book(B,1), Book(D,.8))를 갖는 퍼지 집합(예: Book, Cup)으로 매핑된다.
• 공간 관계(예: right)는 소속도 정도(예: right(B,D,.9))를 갖는 퍼지 관계로 모델링된다.
• 재구성 과정을 통해 식 (2)를 사용하여 객체 쌍 간의 min-max 소속도를 합산함으로써 관계의 집합 소속도 점수(예: hasBookRight(.8))를 계산한다.
• 시그마 컨터 방법을 사용하여 퍼지 서술을 비교하고 유사도를 계산하며, 왼쪽 어깨형 소속도 함수가 임계값 기반의 유사도를 정의한다.
• 새로운 장면 개체가 분류되지 않을 경우, 매핑 M₂를 통해 새로운 퍼지 장면 클래스(예: Scene₁ ≡ hasBookRight.atLeast(.8))를 생성함으로써 계층적 분류를 가능하게 한다.

실험 결과

연구 질문

• RQ1 로봇은 인간이 제공한 예시를 바탕으로 장면을 학습하고 표현하면서도, 인간의 공간 인지에 내재된 모호성에 대응할 수 있는가?
• RQ2 퍼지 논리는 인간과 유사한 인지 방식을 반영하여 객체 간 공간 관계를 어떻게 모델링하고 추론할 수 있는가?
• RQ3 객체 유형과 공간 관계의 퍼지 서술을 기반으로 한 장면 간의 유사도를 효과적으로 계산하는 방법은 무엇인가?
• RQ4 장기적인 지식 조직 및 검색을 지원하기 위해 자동으로 생성된 퍼지 장면 클래스의 계층적 구조는 어떻게 구성할 수 있는가?
• RQ5 모호하거나 겹치는 객체 분류가 있을 경우에도 시스템은 실시간에서 강건한 장면 인식과 학습을 지원할 수 있는가?

주요 결과

• 시스템은 최대 3개의 객체와 다수의 공간 관계를 갖는 장면을 성공적으로 학습하고 분류하며, 복잡한 장면에 대해서도 3.5초 이내로 인식 시간을 확보한다.
• 장면의 복잡도가 증가할수록 학습 시간이 증가하여, 3개의 객체와 다수의 퍼지 관계를 갖는 장면에 대해 최대 3.686초까지 소요된다.
• 프레임워크는 계층적 관계를 정확히 유추한다: Scene₂와 Scene₃는 모두 전용 소속도로 Scene₁을 유추하며, 공통된 구조적 유사성을 반영한다.
• 시그마 컨터 방법은 부분적인 유사성을 효과적으로 포착한다. 객체 배치가 다른 Scene₂와 Scene₃ 사이에 낮은 퍼지 함의도(예: ~0.3)가 관찰된다.
• 모호한 객체 분류, 예를 들어 한 객체가 부분 소속도로 동시에 책과 컵일 경우, 보수적인 집합 소속도를 계산함으로써 이를 처리한다.
• 퍼지DL 추론기는 의도한 바와 같이 물리적 거리와 음의 상관관계를 갖는 소속도 정도를 통해 모호한 공간 관계를 성공적으로 관리한다.