文献

J-GLOBAL ID：201702274768103698   整理番号：17A1271860

マルチタスク強化学習による外骨格ロボットのための学習タスクパラメータ化支援戦略【Powered by NICT】

Learning task-parametrized assistive strategies for exoskeleton robots by multi-task reinforcement learning

著者 (5件)： Hamaya Masashi (Department of Brain Robot Interface, ATR-CNS, Kyoto, Japan) ,  Matsubara Takamitsu (Department of Brain Robot Interface, ATR-CNS, Kyoto, Japan) ,  Noda Tomoyuki (Department of Brain Robot Interface, ATR-CNS, Kyoto, Japan) ,  Teramae Tatsuya (Department of Brain Robot Interface, ATR-CNS, Kyoto, Japan) ,  Morimoto Jun (Department of Brain Robot Interface, ATR-CNS, Kyoto, Japan)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICRA  ページ： 5907-5912  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： 最近の研究は,強化学習は,ユーザとロボット間の物理的相互作用を介して外骨格における支援戦略を生成するための大きな可能性を秘めていることを示唆した。従来手法は,タスク支援戦略に焦点を当て,各単一タスク(状況/文脈)のための,ユーザがロボットと相互作用する適切な支援戦略を学習する必要がある。学習戦略は,新しいタスクのために一般化することはできない。サンプリングコストは外骨格のようなhuman-in-the-loopシステムのための高価なので,一般化を可能にしなければならない。本論文では,外骨格ロボットのためのタスクパラメータ化支援戦略を学習することを提案した。著者らの方法は,補助戦略,タスクパラメータに依存すると状態変数,異なる課題における人間-ロボット相互作用データの多重セットから学習され,未知のタスクに対しても一般化できることを,追加学習なしでタスクパラメータを採用した。複数タスクにわたる学習プロセスにおけるユーザの負担を軽減するために,著者らはデータ効率的なマルチタスク強化学習フレームワークを利用した。本手法の有効性を検証するために,外骨格ロボットを用いた実験プラットフォームを開発した。実験結果により,提案手法では,そのようなタスクパラメータ化支援戦略を学習し,タスク中のユーザの筋電図シグナル(EMGs)を低減するために,未知のタスクのための一般化できることを示した一連の実験を行った。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： 多重化 ,  *ロボット ,  *強化学習 ,  *学習 ,  状態変数 ,  *パラメタリゼーション ,  *外骨格 ,  筋電図 ,  相互作用
準シソーラス用語： 学習過程 ,  インクリメンタル学習 ,  ヒューマンロボットインタラクション ,  学習戦略 ,  *マルチタスク , 【Automatic Indexing@JST】

分類 (2件)： ロボットの運動・制御  (IC04012J) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (9件)： マルチタスク ,  強化学習 ,  外骨格 ,  ロボット ,  学習 ,  タスク ,  パラメータ化 ,  支援 ,  戦略