Microsoft PowerPoint - EXPO 2015

Size: px

Start display at page:

Download "Microsoft PowerPoint - EXPO 2015"

みりあながだき
5 years ago
Views:

1 ロボットハンドと触覚センサーをいた能動的物体認識奈良先端科学技術学院学情報科学研究科知能システム制御研究室助教松原崇充 MATLAB EXPO 2015 東京ホテルグランパシフィック LE DAIBA 16th Nov, 2015(Presentation: 40min) 1

2 松原崇充の紹介研究的 : や環境と相互作する次世代ロボットの情報処理基盤の構築不確実性を考慮した運動制御の意図や環境の状態をセンサから読み取る状態推定アプローチ : 機械学習, 最適制御, 強化学習学位 :2007 年 12 奈良先端情報科学研究科博後期課程修了学時代から現在まで研究科内を渡り歩く修 ( ): 杉本研 ( 制御学 ), 川研 (ATR 脳研連携 ) 博 ( ): 笠原研 ( ロボティクス ), 川研助教 1( ): 出研 ( 画像処理 ) 助教 2(2011- 現在 ): 杉本研 ( 制御学 ) 海外研究滞在英エディンバラ学 (2009 年 2 3 ) 豪シドニー科学 (2011 年 ) 蘭ラドバウド学 (2013 年年 1 )

3 現在取り組んでいる研究テーマ着援移動援 ( シドニー科 ) 外格歩援 (ATR) 触覚物体認識移乗援環境やとの相互作を完璧に把握することは難しい不確実環境下における意思決定 ( 制御 ) 技術が重要 3

4 得意とするアプローチ機械学習 ( 確率推論 ) 制御学 ( 確率最適制御 ) ロボット学 ( 剛体リンク系 ) 1. 機械学習を使ってデータから種々の不確実性を問題設定に取り込む 2. 不確実性を考慮したロボットの運動計画制御 4

5 知能システム制御研究室のロボットシステム Robotics System Toolbox Parallel Optimization Computing Toolbox Toolbox Main CPU with GPGPU NODE MATLAB Global optimization toolbox Robot Arm (CPU3) NODE Real-time Controller image state state pose position pressure Ethernet Image preprocessing NODE NODE NODE NODE Real-time controller Glove processing Robot Hand (CPU2) Turntable controller NODE Tactile preprocessing (ADC etc.) FSR Sensor Module (Raspberry Pi, CPU4) ロボットは ROS, 機械学習は MATLAB ROS-MATLAB 間の I/O インタフェースは 2015a よりリリースされた Robotics System Toolbox を利ロボット + 機械学習 +ROS+MATLAB

6 不確実性に対処する動戦略 1. 不確実性を考慮して最適な動を計画不確実なところは避ける最悪状況でもタスク達成する保守的な解を選ぶ 2. 探索動により不確実性を減らしてタスク実不確実性を減らすための情報を収集し後のタスク達成度を上げる迅速かつ効率的な探索動をどう設計するかが鍵 6

7 研究事例紹介ロボットハンドと触覚センサによる能動的探索動設計 [Tanaka et al. IROS2014, Humanoids2014]? 触覚情報 ( 圧温度振動など ) から事前知識内のどれであるかを認識的 : 認識の不確実性を素早く減らす探索動の設計法の確 7

8 Shadow Dexterous Hand 3 本指 12 関節 ( 差指 3, 薬指 3, 親指 4, 2) 空気圧筋駆動 ( 定格 35kPa, 拮抗配置 ) 計 32 本 * の筋を搭載各バルブは1kHzで制御各指先にはBioTacセンサを搭載位置制御に加えバルブの直接制御も可能 * 第 1 関節に 8 本第 2 関節に 4 本, 他は 2 本ゴム空気の柔らかさいコンプライアンス

9 BioTac 圧振動温度ひずみの情報を取得可能表にはの指紋振動センサでざらざらなどの特徴を取得し材質の同定などに利可ハンド経由で情報を取得表 : ゴム中 : 液体なので柔らかい

10 探索動設計の難しさ (1/2) 1. 物体動触覚の関係性モデリングは困難 - 空圧ゴム筋のプロセスノイズ - 触覚センサの観測ノイズ同じ動違う物体違う動同じ物体押す : 強押す : 弱時間時間 * は Electrode の値を表我々のアプローチ : 機械学習によるデータからの確率的モデリング 10

11 探索動設計の難しさ (2/2) 2. 認識に有益な探索動が 1 つに定まらない迷っている物体集合を触覚で区別できるのが有益な動物体集合に応じて設計する必要 A B C A, C を分ける動強く押す B, C を分ける動表をなぞる我々のアプローチ : 動設計認識更新動設計の逐次的処理 11

12 提案法の処理の流れ [IROS2014, Humanoids2014] 事前知識を初期信念として与える平均の最近傍の物体として認識結果を得る現在の信念を基に能動的に探索動を計画する探索動を実し触覚情報を得る? 物体パラメータ空間信念を更新する 12

13 各要素の数理的概要 1. 物体認識の不確実性 : エントロピー ( 平均情報量 ) 物体パラメータ信念 2. 探索動の評価基準 : 触覚 y によるエントロピーの減少量 ( 相互情報量 ) 3. 探索動の選択 : 相互情報量が最となる動を最適化でつける 4. 信念の更新 : 新たに得られた観測から信念をベイズ推定積分計算は般に困難 Gaussian Processを使った効率的な近似計算法を採 13

14 Gaussian Process ( ガウス過程 ) 最も基本的な確率過程ガウス分布はスカラーやベクトルの確率変数を記述するのに対しガウス過程は関数の確率的な性質を記述平均関数と分散関数で決定平均関数分散関数ベイズ推論の事前分布にいると回帰分類次元削減などの機械学習アルゴリズムが導出できる 14

15 Gaussian Process Regression 訓練データ : 試験データ : 事前分布 : すべてのデータは GP から成されたと仮定事後分布 ( ガウス分布 ) 平均分散試験に対する出の予測分布が解析的に導出できる 15

16 MATLAB1 次元 GP デモ中介君作デモ表 16

17 GP 触覚モデル物体動の 2 因をとする触覚センサモデルを GP で学習センサデータ動パラメータガウスノイズ物体パラメータグラフィカルモデル様々な物体を触って収集された触覚データから学習される 17

18 物体パラメータはどう設定するか? 物体パラメータは先験的には得られないセンサデータ動パラメータガウスノイズ物体パラメータ E.g., 物理パラメータに基づく定義形状質感材料次元情報のためその後の処理に望ましくない我々のアプローチ : 機械学習でデータから然に決める! GPに基づく教師無し特徴抽出によるアプローチ (GPLVM) 18

19 教師無し学習による特徴抽出触覚情報からの教師なし学習による抽出 GP-LVM(Lawrence, 2005) に基づく多様体学習法物体パラメータ動により条件付けされた観測空間触覚センサ空間物体パラメータ空間計算効率や汎化性の向上が期待できる 19

20 Analytic Moment-based GP Filter (Deisenroth et al. ICML2009) 以下条件下での厳密な平均分散を持つガウス近似 1. Square Exponential カーネル関数を使 2. 事前分布がガウス分布周辺分布 : GPR 同時分布 : 事後分布 : GPR GPR 20

21 相互情報量の計算 (Saal et al. AISTATS2010) 前スライドの近似をいて GPR GPR 21

22 最適探索動計画探索動計画と信念更新相互情報量の最化による動の最適化現在の物体の信念がガウス分布なら代数計算で近似解が求まる物体信念の更新ベイズ則と線形化に基づく逐次更新 22

23 実験システム 23

24 物体リスト stainless cup stainless bottle wooden container polypropylene container rough ceramic cup smooth ceramic textured glass glass plastic cup paper cup cup 24

25 ラベル付き訓練データ収集動画再 25

26 GP 触覚モデルと物体パラメータの同時学習の様動画再学習される物体パラメータ評価関数 ( 周辺尤度 ) の推移 26

27 結果動画再 27

28 各動の分析動画再ツルツルざらざらの湯呑を区別するために物体表を探索 28

29 各動の分析動画再紙プラスチックコップを区別するために物体の硬さを探索 29

30 認識結果の詳細 (10 回平均 ) 成功回数 (10 回中 ) 認識率 Rate=67% Recognized as 探索回数 True object 間も間違えそうな物体間で誤認識が起こっている 30

31 まとめロボットハンドと触覚センサをいた能動的物体認識 = ロボット+ 機械学習 + ROS+MATLAB 実験による有効性検証 31

32 時間が許せば 32

33 触覚探索による物体表形状の速推定 [SCIʼ15, SIʼ15] 物体形状推定 : 触って物体の表形状を推定するタッチによって形状推定タッチを重ねるごとに真の形状に近づく提案法の概要 : 1. GPR で物体形状 ( 平均 ) と不確実性 ( 分散 ) を表現 2. 不確実性がくかつ素早くタッチできる箇所を探索 GP 形状陰関数モデル形状陰関数表現 0 ( 内側 ) 0 ( 曲上 ) 0 ( 外側 ) 新規性は素早さを考慮したこと実性向上 33

34 シミュレーション結果シミュレーション 34 形状推定の様推定形状推定した形状特徴量推定の不確実性不確実性低形状の外側不確実性低不確実性形状の内側不確実性形状推定 : した座標に対して形状の外側 / 内側かを推定

35 実環境実験現在は 2 次元平に焦点ロボットハンド磁圧センサ (8 個 ) 感圧部分ロボットハンドタッチセンサ物体 35

36 現在は 2 次元平に焦点実環境実験動画再こちらも Robotics System Toolbox を活 36

37 謝辞中介君 (D3) 物体認識の主担当柴耕太郎君 (M2) 形状推定の主担当杉本謙先 37

Microsoft PowerPoint - H17-5時限（パターン認識）.ppt

Microsoft PowerPoint - H17-5時限（パターン認識）.ppt パターン認識早稲田大学講義平成 7 年度独産業技術総合研究所栗田多喜夫赤穂昭太郎統計的特徴抽出パターン認識過程特徴抽出認識対象から何らかの特徴量を計測抽出する必要がある認識に有効な情報特徴を抽出し次元を縮小した効率の良い空間を構成する過程文字認識 : スキャナ等で取り込んだ画像から文字の識別に必要な本質的な特徴のみを抽出例文字線の傾き曲率面積など識別与えられた未知の対象を