[论文解读] Scene learning, recognition and similarity detection in a fuzzy ontology via human examples
本文提出了一种模糊本体框架，使机器人能够通过人类提供的示例学习、识别和分类桌面场景，利用模糊逻辑建模模糊的空间关系，并推断层级相似性。该系统使用模糊OWL与模糊DL推理来表示具有隶属度的对象类型和空间关系，通过基于Sigma计数器的相似性度量实现鲁棒的场景分类与相似性检测，在复杂场景下识别时间低于3.5秒。
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.
研究动机与目标
- 使机器人能够通过人类提供的示例学习并识别场景，从而支持自然的人机交互。
- 解决人类在桌面环境中对物体间空间关系感知的固有模糊性。
- 以分层模糊本体的形式表示学习到的场景，捕捉场景之间的相似性与差异性。
- 支持长期知识组织，并通过模糊的、基于感知的描述实现机器人与人类之间的知识交流。
- 开发一种可扩展且高效的框架，用于支持现实世界中涉及场景理解的人机交互场景。
提出的方法
- 该框架使用由模糊DL推理器管理的模糊OWL本体，以模糊对象类型和空间关系表示场景。
- 感知到的物体被映射到模糊集合（例如，Book，Cup），并赋予隶属度（例如，Book(B,1)，Book(D,.8)）。
- 空间关系（例如，right）被建模为具有隶属度的模糊关系（例如，right(B,D,.9)）。
- 通过重语义化过程计算关系的聚合隶属度得分（例如，hasBookRight(.8)），使用公式(2)，该公式对对象对之间的最小-最大隶属度进行求和。
- 采用Sigma计数器方法比较模糊描述并计算相似性，使用左肩形隶属函数定义阈值化相似性。
- 当新场景个体未被分类时，通过映射M₂创建新的模糊场景类（例如，Scene₁ ≡ hasBookRight.atLeast(.8)），实现分层分类。
实验结果
研究问题
- RQ1机器人如何在考虑人类空间感知固有模糊性的前提下，从人类提供的示例中学习并表示场景？
- RQ2模糊逻辑如何用于建模和推理物体间空间关系，以反映类人感知？
- RQ3基于物体类型和空间关系的模糊描述，计算场景之间相似性的有效方法是什么？
- RQ4如何自动生成模糊场景类的分层结构，以支持长期知识组织与检索？
- RQ5该系统是否能够在存在模糊或重叠对象分类的情况下，实现实时、鲁棒的场景识别与学习？
主要发现
- 该系统成功学习并分类了最多包含三个物体及多个空间关系的场景，在复杂场景下识别时间低于3.5秒。
- 学习时间随场景复杂度增加而增长，对于包含三个物体和多个模糊关系的场景，最高达到3.686秒。
- 该框架正确推断出层级关系：Scene₂和Scene₃均以完全隶属度（full membership）蕴含Scene₁，反映出共享的结构相似性。
- Sigma计数器方法有效捕捉了部分相似性，尽管Scene₂与Scene₃的物体排列不同，但其模糊蕴含度较低（例如，~0.3）。
- 该系统能够处理模糊的对象分类，例如一个物体同时是书和杯子且具有部分隶属度，通过计算保守的聚合隶属度实现。
- 模糊DL推理器成功管理了模糊空间关系，隶属度与物理距离呈负相关，符合设计预期。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。