異種センサー情報の統合による概念の教師なし学習

通过集成异构传感器信息进行无监督概念学习

基本信息

批准号：
08780347
负责人：
山内康一郎
金额：
$ 0.7万
依托单位：
Nagoya Institute of Technology
依托单位国家：
日本
项目类别：
Grant-in-Aid for Encouragement of Young Scientists (A)
财政年份：
1996
资助国家：
日本
起止时间：
1996 至无数据
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-08780347/
关键词：
Neural Network Back-Propagation Self-supervised learning Sensory Fusion Sensory Integration Autonomous Robot

项目摘要

一般に,神経回路に非線形なマッピングを学習させるためには,入力と,それに対する望ましい出力とのペアを用意して提示する必要がある.しかし現実の環境下では,望ましい出力そのものが不明であることが多いため,従来手法では学習が困難である.これを解決する方法として,複数のセンサー情報の対応を取るように学習する手法を提案した.ただし各センサー情報にはノイズが載っており,それ自体が曖昧であるため,このノイズをいかにして低減しながら学習するかが課題となる.提案したシステムは,センサーとそれにつながる神経回路のセットを複数セット組み合わせた構成になっている.各神経回路の出力は統合部に送られる.ここでは全ての神経回路の出力の重み付き平均が計算され,それがシステムの最終出力となる.各神経回路は,自分の出力が統合部の出力に近付くように学習する.学習の初期段階では,各神経回路の出力はノイズによる影響を受けるが,統合部の出力は各神経回路の出力の重み付き平均であるため,ノイズによる影響は各神経回路のそれよりも低減されている.したがって学習が進むにつれて各神経回路はノイズに影響されない出力を出すようになって行く.さらに,観測対象物のカテゴリーに関する情報が統合部に反映されるようにするために,各神経回路にバックワード経路を付加し,それらとともに学習させるようにした.バックワード経路を付加されたネットワークは砂時計型の恒等写像ネットワークとなり,その中間細胞の出力が統合部に送られることと等価になる.つまりセンサー入力のバリエーションが,統合部の出力にある程度反映されるため,統合部の出力はノイズによる影響を受けず,且つ観測対象物のカテゴリーを表現するようになっていくのである.学習終了後,このシステムはバックワード経路の出力とセンサー入力を比較することによって各センサー入力の信頼性を評価し,センサーの優先度を制御しながら認識を行なう.計算機シミュレーションでは,まず各母音を発音している口の形状と音声信号とのペアを多数セットシステムに提示して統合部にいかなるパターンが現れるかを実験した.すると,各母音に対応した出力パターンが得られ,このシステムが母音を識別するように学習できることが示された.比較のために,音声信号のみ,あるいは口の形状のみで学習させると,正確には母音の区別ができなかった.次にこのシステムを自律ロボットに組み込んで,あらゆる悪条件下でロボットが正確な環境把握ができるようにすることを目指した.実験では,視覚センサーと聴覚センサーを持つロボットを用意して,ランダムに動き回るターゲットを補足し,捕獲するように強化学習法で学習させた.強化学習システムには,先のシステムの出力が入力される.その結果,この自律ロボットは一部のセンサーが使用不能状態に陥るような悪条件下であっても確実にターゲットを捕獲できることが示された.

通常，为了使神经电路学习非线性映射，需要准备并呈现一对输入及其相应的期望输出。然而，在真实环境中，期望输出本身是未知的，因此学习很困难。作为解决这个问题的一种方法，我们开发了一种学习对应来自多个传感器的信息的方法。然而，由于每个传感器信息都包含噪声并且是模糊的，因此挑战是如何在学习的同时减少这种噪声，它具有组合多组连接的神经电路的配置。每个神经电路的输出被发送到积分部分。，所有的神经回路都是计算的输出的加权平均值，成为系统的最终输出。每个神经电路进行学习，使其输出接近积分器的输出。在学习的初始阶段，每个神经电路的输出都会受到影响但是，由于积分部的输出是各神经电路的输出的加权平均，因此与各神经电路相比，噪声的影响减少。因此，随着学习的进行，每个神经回路将开始输出不受噪声影响的输出。此外，为了确保有关观察对象类别的信息反映在积分单元中，每个神经回路都应用了backing我们添加了单词路径并将它们一起训练。添加了反向路径的网络是一个沙漏形的恒等图。它变成了一个网络，中间单元的输出被发送到积分器。换句话说，传感器输入的变化在某种程度上反映在积分器的输出中，因此积分器的输出也开始不受噪声的影响。表达观察对象的类别。学习后，该系统使用后向路径的输出和通过比较传感器输入来评估每个传感器输入的可靠性，并在控制传感器的优先级的同时进行识别。在计算机模拟中，我们首先将发音每个元音的嘴部形状与音频信号配对。向系统呈现大量元音，看看积分部分出现了什么样的模式。结果，我们得到了每个元音对应的输出模式。结果表明，该系统可以学习识别元音。作为比较，当仅使用音频信号或仅使用嘴部形状对其进行训练时，它无法准确地区分元音。接下来，通过将该系统整合到自主机器人中，我们的目标是让机器人在所有不利条件下都能准确掌握环境。我们准备了一个带有传感器和听觉传感器的机器人，并使用强化学习对其进行训练，以捕捉和捕捉随机移动的目标。之前系统的输出被输入到强化学习系统中。结果，这个自主机器人被证明是即使在某些传感器无法使用的不利条件下，也能够可靠地捕获目标。