Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

[Track2-1] ディープラーニングのロボット応用事例 ーデータからエクスペリエンスへー

2,566 views

Published on

2020/8/1 Deep Learning Digital Conference
早稲田大学 理工学術院 基幹理工学部 表現工学科 教授
次世代ロボット研究機構 AIロボット研究所 所長
一般社団法人日本ディープラーニング協会 理事
尾形 哲也 氏

Published in: Technology
  • Be the first to comment

  • Be the first to like this

[Track2-1] ディープラーニングのロボット応用事例 ーデータからエクスペリエンスへー

  1. 1. ディープラーニングの ロボット応⽤事例 ーデータからエクスペリエンスへー 尾形哲也 早稲⽥⼤学 理⼯学術院 教授/AIロボット研究所 所⻑ 産業技術総合研究所⼈⼯知能研究センター 特定フェロー ⽇本ディープラーニング協会 理事
  2. 2. 尾形哲也(おがたてつや) 1993 早稲⽥⼤学 理⼯学部 機械⼯学科 卒業 2001-2009 早稲⽥⼤学 ヒューマノイド研究所 客員講師&客員准教授 2001-2003 理化学研究所 脳科学総合研究センター 研究員 2003-2012 京都⼤学⼤学院 情報学研究科 知能情報学専攻 講師&准教授 2012-現在 早稲⽥⼤学 理⼯学術院 基幹理⼯学部 表現⼯学科 教授 2017-現在 産業技術総合研究所 ⼈⼯知能研究センター 特定フェロー 2013-2014 ⽇本ロボット学会 理事 2016-2018 ⼈⼯知能学会 理事 2017-現在 ⽇本ディープラーニング協会 理事 2020-現在 早稲⽥⼤学 次世代ロボット研究機構 AIロボット研究所 所⻑
  3. 3. WABOT-1 (1973) WABOT-2 (1984) Haday-2 (1997) WABIAN (1997) 早稲⽥⼤学のロボット研究 WABIAN-II (2005) TWENDY- ONE (2007) 世界初の ヒューマノイド ロボット
  4. 4. 深層学習(Deep Learning) J 深層学習は,画像,⾳声,⾃然 ⾔語,等の処理において圧倒的なパ フォーマンスを⽰す L主にサイバー空間”のみ”で有効に 働き,実世界(ハードウェア)応 ⽤事例が極端に少ない 何故か︖ AIの⾰新へのブレークスルーへ︕
  5. 5. ロボットの汎⽤性への挑戦 - スマートロボットへ - ¡ 例︓家事(”⼈間と同じ⽅法で” 料理,掃除,洗濯)は,現在の ロボティクスでは超難関課題 ¡ 専⽤機なら可能だが問題設定が 異なる(スマートフォン) 環境の作込みが不要&⼈間と同等 に複数のタスクをこなす AIでロボットハードウェアの潜在 能⼒を引き出す?
  6. 6. 深層学習のロボットへの適⽤ - Yann Lecunのケーキ (2017) - ¡ 教師あり深層学習 ¡ センサー値→ラベル(環境,ロボット等の精緻な物理モデル) への⼀⽅向マッピング L 柔軟物,流体などはモデリングが困難 ¡ 深層強化学習(⽶国で膨⼤な論⽂が発表) ¡ “センサー値と動作の組”から報酬の期待値を学習 L 膨⼤な学習試⾏探索が必須(⼤量データが前提) L シミュレーション研究中⼼,実機でも簡易タスクのみ ¡ 深層予測学習(教師なし深層学習) ¡ ⼈間のスキルのクローニング(ロボットの柔軟性) 強化学習 教師あり学習 教師なし学習 予測学習
  7. 7. コマンド教⽰モードマニュアル教⽰モード 模倣“予測学習” P. Yang, K. Sasaki, K. Suzuki, K. Kase, S. Sugano, and T. Ogata, IEEE Robotics and Automation Letter, 2016.
  8. 8. • 対象物体︓ - 学習データ︓4種類の布 - テストデータ︓3種類の布 • 動作︓ - 無造作に置かれた布の把持と折畳み - ホームポジションへの戻る動作を含む • 学習データ: - 右カメラ︓112x112x3 (37632次元) - 2腕 + 2ハンド (14次元) - サンプリングレート 10FPS (35動作, 平均70秒) Train Data Test Data 折畳みタスク
  9. 9. ¡ 感覚⇄運動の双⽅向 データ(経験)の” リアルタイム”学習 ¡ 「⾝体知」に基づく 世界モデル(内観) を獲得 エクスペリエンス・ ベースド・ロボティ クス 深層予測学習 関節⾓度⼊⼒ 深層学習 画像 エンコーダ DCAE 関節⾓度予測 深層学習 画像 デコーダ DCAE 関節⾓度系列 視野画像 予測 視野画像 ⼊⼒ 深層学習 時系列予測 学習器 LSTM, MTRNN
  10. 10. 10
  11. 11. システムの応⽤ 1 1 https://blogs.nvidia.com/blog/2017/12/18/rob otics-gtc-japan/ https://robotstart.info/2017/11/29/denso-mmaira.html http://monoist.atmarkit.co.jp/mn/articles/1711/30/news055.html https://news.mynavi.jp/article/201 71124-a154/
  12. 12. 13
  13. 13. 14
  14. 14. 15
  15. 15. ロボットプログラミングの効率化 動作B (ドア開け:丸ノブ) 動作D 動作C ①モデリング ②動作制御 ③認識処理 ④シーケンス ⑤外乱、例外 ⑥実機調整 ・・・・・・ 従来 プログラミング (複雑な開発⼯程) 学習 数ヶ⽉〜 今回 ①動作教⽰(教⽰データ取得) ②動作習得(深層学習) 教⽰ データ 動作B 動作A 注)図は、ドア開け通過動作の⼀例 教⽰ データ 動作C (ドア開け:レバー) ③動作の⾃律的実⾏と組み合わせ【開発技術】 動作D (ドア通過) 動作データベース ・・・・・・ 差が⼤ ⼊⼒画像 ○実⾏ 差が⼩ 動作A(ドアまで移動) 動作組み合わせ 直列 排他 並 列 ×停⽌ 下肢 上肢 想起画像 想起画像 数⽇〜 ︓動作習得に必要な期間 (図:ドア開け動作C) 全⾝を ⾃律的に 制御
  16. 16. AIの信頼性について ¡ 第1レベル︓従来のAIで抑制 ¡ ロボットであればバーチャルバリアの導⼊ ¡ 第2レベル︓深層学習が獲得する表現の理解 ¡ 不連続なデータ,フラクタル構造など ¡ 第3レベル︓⾝体を伴った⼈間い近い知能へ ¡ トップダウン(受動的)データからボトムアップ(能動 的)⾝体経験へ ⾝体知の理解へ
  17. 17. 認知発達ロボティクス ¡ 神経回路モデルとロボットを⽤いた⼈間の認知 機構の構成論的理解 ¡ 「計算論的精神医学」に位置 [Karl J Friston et al, 2014] 脳の情報伝達における仮説 (例︓神経回路モデルへの実装) 実体(⾝体)に現れる現象 (例︓ロボットの⾏動を観察)
  18. 18. 発達ロボティクスからの設計思想 1. 経験の学習(エクスペリエンス・ベースド) ¡ 運動と感覚を区別せず学習(順逆モデル) ¡ 「感覚ー>動作」のマップではなく,環境との インタラクションを学習 2. “Multi-time scale”を扱う階層構造 ¡ 異なったレベルでの予測により,トップダウンと ボトムアップのインタラクションが⽣じる ¡ 予測符号化 3. “Novelty rewarding”による⾏動の探索,⽬ 標(報酬系)の⽣成 4. “Symbol grounding”,実世界と記号世界の 関係 Slow Context S-MTRNN Sensory Prediction Fast Context Sensory Inputs Higher-Level Network Lower-Level Network Variance Prediction MTRNN (Y. Yamashita, J. Tani, 2008)
  19. 19. 終わり Cutieroid, Hatsuki [P. C. Yang, T. Ogata, et al., 2020] アニメ⽂化 x 深層学習 x ロボティクス

×