文献

J-GLOBAL ID：201702231215820558   整理番号：17A1397648

一般運動プリミティブの漸次的学習のためのモデル選択【Powered by NICT】

Model selection for incremental learning of generalizable movement primitives

著者 (2件)： Hazara Murtaza (Department of Electrical Engineering, Aalto University, Espoo, Finland) ,  Kyrki Ville (Department of Electrical Engineering, Aalto University, Espoo, Finland)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICAR  ページ： 359-366  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 運動プリミティブ(MP)は,広く研究されているが,新しい状況への一般化を研究がなされてきたはるかに少ない。様々な条件に対処するために,MPの政策符号化は,各条件のための学習分離プリミティブを避けるためにタスクパラメータに対する一般化をサポートしなければならない。局所および線形パラメータ化されたモデルは,限定された一般化を提供する作業パラメータを内挿するために提案されている。本論文では,局所的または線形モデルを超えて一般化を可能にする大域的パラメトリック運動プリミティブを提案した。プリミティブはグローバル非線形基底関数を用いた線形基底関数モデルを用いてモデル化した。大域パラメトリックモデルを用いて,単一ヒト実証からMPのデータベースを構築するためのオンラインインクリメンタル学習フレームワークを開発した。中でも,少数訓練試料,オンラインインクリメンタル学習に適しているであっても,最適モデルの複雑さを選択できることをモデル選択法を提案した。種々のストリング長を持つボールにおけるaカップタスクを用いた実験は,グローバルパラメトリック手法はパラメトリックMPの強化された汎化能力と学習の高速(収束速度)に導くMPのデータベースの基礎となる規則性を成功裏に抽出できることを実証した。間外挿の両方で局所的に重み付けされた回帰より優れた。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 内挿法 ,  *学習 ,  線形性 ,  汎化 ,  基底関数 ,  外挿法 ,  データベース ,  パラメタリゼーション ,  モデリング
準シソーラス用語： 収束速度 ,  オンライン ,  パラメトリックモデル ,  線形モデル ,  *モデル選択 ,  *インクリメンタル学習 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  数値計算  (JE02000J)

タイトルに関連する用語 (3件)： 運動 ,  漸次的学習 ,  モデル選択