モバイルロボットにおける共生深層学習による堅牢な物体認識

最先端の深層学習アルゴリズムが物体認識において最近成功を収めているにもかかわらず、これらをそのままモバイルサービスロボットに展開すると、実際の人間環境で多くの物体を認識できないことが観察されました。本論文では、ロボットがこの欠点を人間に助けを求めることで解決する学習アルゴリズムを導入します。このアプローチは共生的自律性アプローチとも呼ばれています。特に、最先端の深層ニューラルネットワークであるYOLOv2をブートストラップし、人間の助けから収集したデータのみを使用して、HHELPと呼ぶ新しいニューラルネットワークを訓練します。RGBカメラとオンボードタブレットを使用して、ロボットは周囲の物体にラベルを付けるために人間の入力を積極的に求めます。提案されたアプローチを検証するために、CMUにあるPepperとISRリスボンにあるMonarch Mbotというサービスロボットを使用しました。20日間にわたって現実の家庭環境で6名の研究参加者による調査を行いました。物体検出を改善するために、YOLOv2とHHELPの2つのニューラルネットワークを並行して使用しました。この方法論に従った結果、ロボットは初期のYOLOv2ニューラルネットワークに比べて2倍の数の物体を検出でき、より高いmAP（平均適合率）スコアを達成しました。この学習アルゴリズムを使用することで、ロボットは物体がどこにあるかと、それが誰に属しているかのデータも人間に尋ねることで収集しました。これにより、ロボットが特定の人の物体を探す将来の利用ケースを探求することが可能となりました。この研究の貢献は、PepperやMbotを含む一般的なサービスロボットに関連すると考えています。