[论文解读] Novelty Detection on a Mobile Robot Using Habituation

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

Neural Networks and Applications参考文献 25被引用 15

一句话总结

本文提出了一种基于习惯化的新型检测过滤器，用于移动机器人，该过滤器利用超声波数据学习环境的内部模型，并通过测量与该模型的偏差来检测新特征。该方法采用自组织映射（SOM），并引入一种模仿Stanley突触效能方程的习惯化机制，实现在线学习，并在新环境或变化环境中可靠检测新刺激。

ABSTRACT

In this paper a novelty filter is introduced which allows a robot operating in an un structured environment to produce a self-organised model of its surroundings and to detect deviations from the learned model. The environment is perceived using the rob ot's 16 sonar sensors. The algorithm produces a novelty measure for each sensor scan relative to the model it has learned. This means that it highlights stimuli which h ave not been previously experienced. The novelty filter proposed uses a model of hab ituation. Habituation is a decrement in behavioural response when a stimulus is pre sented repeatedly. Robot experiments are presented which demonstrate the reliable o peration of the filter in a number of environments.

研究动机与目标

• 开发一种适用于非结构化环境中运行的移动机器人的在线、自组织新型检测系统。
• 使机器人能够通过学习先前经历的刺激模型，区分环境中的新异特征与熟悉特征。
• 实现习惯化作为生物启发机制，用于过滤重复刺激并突出新刺激。
• 评估系统将所学模型泛化到相似但新环境的能力。
• 探索整合额外感官模态（如视觉）以及替代聚类方法，以提高鲁棒性。

提出的方法

• 新型检测过滤器使用自组织映射（SOM）将超声波传感器读数聚类为环境的拓扑表示。
• 习惯化通过Stanley的突触效能方程建模：$ \tau\frac{dy(t)}{dt} = \alpha[y_0 - y(t)] - S(t) $，其中 $ y(t) $ 为突触效能，$ S(t) $ 为刺激，$ \tau, \alpha $ 为时间常数。
• 系统在机器人探索过程中实时学习环境模型，根据重复的传感器输入更新权重。
• 新异性的度量基于当前传感器输入与所学模型的偏差，习惯化水平较低表示新刺激。
• 过滤器采用遗忘机制：若刺激在一段时间内未被呈现，响应将恢复，模拟记忆衰减。
• 系统在一种环境（如环境A）中进行训练，随后在相似但不同的环境（B和C）中进行测试，以评估泛化能力与新异性检测的准确性。

实验结果

研究问题

• RQ1 基于习惯化的模型能否在移动机器人上实时检测新环境特征？
• RQ2 该系统将从一个环境中学到的模型泛化到相似但新环境中的能力如何？
• RQ3 在存在传感器噪声和环境变化的情况下，该过滤器能否可靠地区分熟悉与新异刺激？
• RQ4 将习惯化与自组织映射结合，如何优于传统的离线新异性检测方法？
• RQ5 使用固定大小的SOM在长期新异性检测中存在哪些局限性，如何解决？

主要发现

• 新型检测过滤器在在线训练期间成功学习了环境A的模型，并在机器人进入与环境A相似但包含新特征的环境B时，检测到显著更高的新异性水平。
• 在环境C中（与环境A差异更大，如空间更宽、墙面材料不同、存在嵌入式门框），新异性检测输出明显高于环境B，证实了对结构变化的准确检测。
• 过滤器正确识别出环境C中的深嵌入门框和海报为新异特征，而未能检测到与环境A中相似的墙面裂缝，表明对感知差异的敏感性。
• 对照实验表明，仅在开放区域训练的过滤器未能识别出环境C与环境A之间的相似性，证实系统学习的是环境特定的模型。
• 系统表现出适应性行为：在新环境中测试的结果取决于先前的训练，显示出所学模型的可塑性。
• 通过SOM的稳健聚类，过滤器有效处理了噪声超声波数据，在多次试验中保持了可靠的新异性检测。