AbstractThis paper describes a synt

Abstract

This paper describes a syntactic approach to imitation learning that captures important task structures in the form of probabilistic activity grammars from a reasonably small number of samples under noisy conditions. We show that these learned grammars can be recursively applied to help recognize unforeseen, more complicated tasks that share underlying structures. The grammars enforce an observation to be consistent with previously observed behaviors which can correct unexpected, out-of-context actions due to errors of the observer and/or demonstrator. To achieve this goal, our method (1) actively searches for frequently occurring action symbols that are subsets of input samples to uncover the hierarchical structure of the demonstration, and (2) considers the uncertainties of input symbols due to imperfect low-level detectors.
We evaluate the proposed method using both synthetic data and two sets of real-world humanoid robot experiments. In our Towers of Hanoi experiment, the robot learns the important constraints of the puzzle after observing demonstrators solving it. In our Dance Imitation experiment, the robot learns 3 types of dances from human demonstrations. The results suggest that under reasonable amount of noise, our method is capable of capturing the reusable task structures and generalizing them to cope with recursions.

Abstract

This paper describes a syntactic approach to imitation learning that captures important task structures in the form of probabilistic activity grammars from a reasonably small number of samples under noisy conditions. We show that these learned grammars can be recursively applied to help recognize unforeseen, more complicated tasks that share underlying structures. The grammars enforce an observation to be consistent with previously observed behaviors which can correct unexpected, out-of-context actions due to errors of the observer and/or demonstrator. To achieve this goal, our method (1) actively searches for frequently occurring action symbols that are subsets of input samples to uncover the hierarchical structure of the demonstration, and (2) considers the uncertainties of input symbols due to imperfect low-level detectors.
We evaluate the proposed method using both synthetic data and two sets of real-world humanoid robot experiments. In our Towers of Hanoi experiment, the robot learns the important constraints of the puzzle after observing demonstrators solving it. In our Dance Imitation experiment, the robot learns 3 types of dances from human demonstrations. The results suggest that under reasonable amount of noise, our method is capable of capturing the reusable task structures and generalizing them to cope with recursions.

0/5000

จาก: -

เป็น: -

ผลลัพธ์ (ไทย) 1: [สำเนา]

คัดลอก!

นามธรรม

บทความนี้อธิบายวิธีการสร้างประโยคการเรียนรู้เลียนแบบที่จับโครงสร้างงานที่สำคัญในรูปแบบของไวยากรณ์กิจกรรมความน่าจะเป็นจากขนาดเล็กจำนวนมากพอสมควรของตัวอย่างภายใต้เงื่อนไขที่มีเสียงดัง เราแสดงให้เห็นว่าเหล่านี้ได้เรียนรู้ไวยากรณ์สามารถนำมาใช้ซ้ำจะช่วยให้การรับรู้ที่ไม่คาดฝันงานที่ซับซ้อนมากขึ้นที่ใช้โครงสร้างพื้นฐานไวยากรณ์บังคับใช้การสังเกตเพื่อให้สอดคล้องกับพฤติกรรมที่สังเกตเห็นก่อนหน้านี้ซึ่งสามารถแก้ไขที่ไม่คาดคิดการกระทำที่ออกมาจากบริบทเนื่องจากข้อผิดพลาดของผู้สังเกตการณ์และ / หรือสาธิต เพื่อให้บรรลุเป้าหมายนี้วิธีการของเรา (1) แข็งขันสำหรับการค้นหาที่เกิดขึ้นบ่อยสัญลักษณ์การกระทำที่เป็นส่วนย่อยของกลุ่มตัวอย่างการป้อนข้อมูลที่จะเปิดเผยโครงสร้างลำดับชั้นของการสาธิต,และ (2) พิจารณาความไม่แน่นอนของสัญลักษณ์การป้อนข้อมูลเนื่องจากการตรวจจับระดับต่ำที่ไม่สมบูรณ์.
เราประเมินวิธีการที่นำเสนอโดยใช้ข้อมูลสังเคราะห์ทั้งสองชุดของโลกแห่งความจริงการทดลองหุ่นยนต์เลียนแบบมนุษย์ ในอาคารของเราได้จากการทดลองฮานอย, หุ่นยนต์ได้เรียนรู้ข้อ จำกัด ที่สำคัญของปริศนาหลังจากที่กลุ่มผู้ชุมนุมประท้วงการสังเกตการแก้มัน ในการทดลองของเราเลียนแบบการเต้นรำหุ่นยนต์เรียนรู้ 3 ประเภทการเต้นรำจากการสาธิตของมนุษย์ ผลลัพธ์ที่ได้แสดงให้เห็นว่าภายใต้จำนวนที่เหมาะสมของเสียงวิธีการของเรามีความสามารถในการจับภาพโครงสร้างงานนำมาใช้ซ้ำและ generalizing พวกเขาที่จะรับมือกับ recursions

การแปล กรุณารอสักครู่..

ผลลัพธ์ (ไทย) 2:[สำเนา]

คัดลอก!

นามธรรม

เอกสารนี้อธิบายถึงวิธีทางไวยากรณ์เพื่อการเรียนรู้ดังกล่าวที่สำคัญงานโครงสร้างในรูปแบบของกิจกรรม probabilistic grammars จากจำนวนตัวอย่างภายใต้เงื่อนไขคะสมเล็ก เราแสดงว่า เหล่านี้เรียนรู้ grammars สามารถ recursively กับช่วยจดจำงานซับซ้อนมากขึ้น ไม่คาดฝันที่โครงสร้างพื้นฐาน Grammars บังคับใช้การสังเกตเพื่อให้สอดคล้องกับพฤติกรรมที่พบก่อนหน้านี้ซึ่งสามารถแก้ไขโดยไม่คาดคิด ออกของบริบทกระทำเนื่องจากข้อผิดพลาดของนักการ/ demonstrator เพื่อให้บรรลุเป้าหมายนี้ วิธีการของเรา (1) กำลังค้นสำหรับบ่อย ๆ การกระทำเกิดขึ้นสัญลักษณ์ที่เป็นชุดย่อยของอินพุตตัวอย่างการค้นพบโครงสร้างลำดับชั้นของการสาธิต และ (2) พิจารณาความไม่แน่นอนของสัญลักษณ์นำเข้าเนื่องจากไม่สมบูรณ์ระดับต่ำจับ
เราประเมินวิธีการนำเสนอที่ใช้สังเคราะห์ข้อมูลทั้งสองชุดการทดลองหุ่นยนต์อ้จจริง ในการทดลองของเราทาวเวอร์ฮานอย หุ่นยนต์เรียนรู้ข้อจำกัดสำคัญของปริศนาหลังจากสังเกตผู้ประท้วงที่แก้ไขดังกล่าว ในการทดลองของเราเต้นเทียม หุ่นยนต์เรียนรู้การเต้นจากชุมนุมมนุษย์ 3 ชนิด ผลการแนะนำภายใต้จำนวนเสียงเหมาะสม วิธีการของเราว่าสามารถจับภาพโครงงานประกอบการ และ generalizing ให้รับมือกับ recursions

การแปล กรุณารอสักครู่..

ผลลัพธ์ (ไทย) 3:[สำเนา]

คัดลอก!

เป็น นามธรรม

เอกสารนี้จะอธิบายถึงวิธีการ syntactic เพื่อการเรียนรู้เลียนแบบโครงสร้างที่สามารถจับงานสำคัญในรูปแบบของกิจกรรม grammars probabilistic จากจำนวนขนาดเล็กที่เหมาะสมของตัวอย่างใน สภาพ ที่มีเสียงดังหนวกหู เราจะแสดงให้เห็นว่า grammars เรียนรู้เหล่านี้สามารถ'% s 'นำมาใช้เพื่อช่วยให้รู้จักงานความซับซ้อนมากขึ้นไม่สามารถคาดการณ์ได้ล่วงหน้าที่ใช้โครงสร้างพื้นฐานgrammars ที่บังคับใช้การสังเกตที่จะต้องสอดคล้องกับลักษณะการทำงานที่ผ่านมาสังเกตเห็นซึ่งสามารถแก้ไขข้อใดข้อหนึ่งในบริบทที่ไม่คาดคิดเนื่องจากเกิดข้อผิดพลาดของผู้สังเกตและ/หรือผู้แสดง ในการบรรลุเป้าหมายใช้วิธีนี้ของเรา( 1 )ได้อย่างมี ประสิทธิภาพ ดังนั้นจึงจะทำการค้นหาสำหรับคำถามที่เกิดขึ้นสัญลักษณ์การดำเนินการที่เป็นส่วนย่อยของตัวอย่างอินพุตเพื่อเปิดโครงสร้างแบบลำดับชั้นของการสาธิตและ( 2 )เห็นว่าความไม่แน่นอนของสัญลักษณ์อินพุตเนื่องจากอุปกรณ์ตรวจจับกาลระดับต่ำ.
เราประเมินวิธีการนำเสนอโดยใช้ข้อมูลทำจากเส้นใยสังเคราะห์และสองชุดการทดลองแบบเรียลไทม์ humanoid Robot ระดับโลกทั้งสอง ในการทดลองหอคอยของฮานอยของเราหุ่นยนต์ที่ได้เรียนรู้ถึงเงื่อนไขที่มีความสำคัญอย่างสูงสุดของปริศนาที่หลังจากได้เฝ้าสังเกตผู้ชุมนุมบางคนการแก้ปัญหาดังกล่าว ในการทดลองเลียนแบบการเต้นรำของเราหุ่นยนต์ที่ได้เรียนรู้ถึง 3 ประเภท คือการเต้นรำจากการเดินขบวนประท้วงของมนุษย์ ผลที่ได้แนะนำให้ตามจำนวนที่เหมาะสมของเสียงวิธีของเราคือความสามารถในการถ่าย ภาพ แบบนำกลับมาใช้ใหม่ได้ที่งานโครงสร้างและ generalizing เขาในการรับมือกับ recursions

การแปล กรุณารอสักครู่..

ภาษาอื่น ๆ

การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.