[論文レビュー] The homunculus for proprioception: Toward learning the representation of a humanoid robot's joint space using self-organizing maps

Filipe Gama, Matej Hoffmann|arXiv (Cornell University)|Sep 5, 2019

Robot Manipulation and Learning参考文献 6被引用数 4

ひとこと要約

本稿では、自己接触の配置からヒューマノイドロボットの関節空間の位相的に整列した表現を学習するために、変更された自己組織化マップ（MRF-SOM）の使用を提案する。神経細胞の受容野を生物学的運動覚マップに模倣することで、モデルは関節の組み合わせを効果的に符号化できた。特に肩−肘および頭部関節のクラスタにおいて、空間的関係を保持した。これは、MRF-SOMが人工系において皮質様の身体表現を模倣できることを示唆している。

ABSTRACT

In primate brains, tactile and proprioceptive inputs are relayed to the somatosensory cortex which is known for somatotopic representations, or, "homunculi". Our research centers on understanding the mechanisms of the formation of these and more higher-level body representations (body schema) by using humanoid robots and neural networks to construct models. We specifically focus on how spatial representation of the body may be learned from somatosensory information in self-touch configurations. In this work, we target the representation of proprioceptive inputs, which we take to be joint angles in the robot. The inputs collected in different body postures serve as inputs to a Self-Organizing Map (SOM) with a 2D lattice on the output. With unrestricted, all-to-all connections, the map is not capable of representing the input space while preserving the topological relationships, because the intrinsic dimensionality of the body posture space is too large. Hence, we use a method we developed previously for tactile inputs (Hoffmann, Straka et al. 2018) called MRF-SOM, where the Maximum Receptive Field of output neurons is restricted so they only learn to represent specific parts of the input space. This is in line with the receptive fields of neurons in somatosensory areas representing proprioception that often respond to combination of few joints (e.g. wrist and elbow).

研究の動機と目的

• 自己組織化マップがヒューマノイドロボットの体性感覚的身体表現の形成をどのようにモデル化できるかを調査すること。
• 2次元出力格子を用いて、高次元の関節配置空間における位相的関係をどのように保持できるかという課題に取り組むこと。
• 霊長類体性感覚皮質の領域3aの受容野組織を模倣するために、ニューロンの入力カバー範囲を制限することで、MRF-SOMを設計すること。
• MRF-SOMが運動覚入力を用いて、体感皮質の体表的ホムンクルスに類似したレイアウトを生成できるかをテストすること。
• 初期のセンサモータ経験が身体スキーマを生み出すプロセスをモデル化することで、認知的発達的ロボティクスに貢献すること。

提案手法

• ナオヒューマノイドロボットが、右の手で顔に触れることを繰り返した自己接触配置を3,216件収集し、ヘッドヨー、ヘッドピッチ、ショルダーロール、ショルダーピッチ、エルボー・ロール、エルボー・ヨー、およびワristの合計7つの関節角を記録した。
• マンハッタン距離を用いてニューロンの近接性を定義した4×4六角格子型SOMを採用し、初期化はランダムな重みと位置を用いた。
• MRF-SOMの変種では、各出力ニューロンの受容野を特定の関節サブセットに制限し、入力空間全体をカバーしないようにした。これは生物学的制約を模倣するためである。
• 受容野は部分的に重複するように設計され、4つのクラスタを形成した：頭部、肩−肘、手首、およびすべての関節を含む統合クラスタ。
• 入力関節と出力ニューロン間の重み行列を学習し、ヒートマップとして可視化することで、関節の好みや符号化パターンを評価した。
• ニューロン間の距離指標を分析し、位相的保存の程度や関連する関節のクラスタリングを評価した。

実験結果

リサーチクエスチョン

• RQ1 制限された受容野（MRF-SOM）を有する自己組織化マップは、自己接触データからヒューマノイドロボットの関節空間の位相的に意味のある表現を学習できるか？
• RQ2 入力空間における関節間の空間的関係は、2次元出力マップにおいてどのように現れるか。特にクラスタリングや近接性の観点から。
• RQ3 MRF-SOM内の個々のニューロンが、単一の関節を符号化するのではなく、複数の関節の組み合わせを符号化する程度はどの程度か。生物学的受容野と比較するとどうなるか？
• RQ4 MRF-SOMアーキテクチャは、霊長類体性感覚皮質、特に領域3aの体表的組織に類似したレイアウトを生成できるか？
• RQ5 得られたマップは、センサモータ経験を通じて空間的身體表現の形成を支援できるか？

主な発見

• 肩−肘クラスタに属するニューロンは、肩と肘関節の組み合わせに対して強く好みを示し、両方の関節に対して高い重み値を示しており、関節統合が行われていることが示された。
• 頭部関節クラスタでは、ニューロン間の距離が最も小さく、データセット内での高い相関性と機能的同時活性化を示唆している。
• 手首関節はそのクラスタ内で2つのニューロンによって符号化されており、そのうち1つのニューロンが抑制的（負の）重みを示しており、選択的抑制の可能性があることが示された。
• 複数の身体部位にわたる重複する受容野を持つニューロンは、その受容野内に含まれるすべての関節の組み合わせを符号化しており、特定の関節や身体部位に偏りは示さなかった。
• 肩−肘クラスタは、頭部や手首のクラスタよりも肘のクラスタに近い位置に配置されており、それらの関節が機能的および運動学的に密接に関連していることを反映している。
• 全体的なマップのレイアウトから、MRF-SOMは、出力次元が限られている中でも、高次元の関節配置空間における位相的関係を部分的に保存できることを示唆している。