文献

J-GLOBAL ID：202102258405008371   整理番号：21A0671772

ツールアフォーダンス学習への因果的アプローチ【JST・京大機械翻訳】

A Causal Approach to Tool Affordance Learning

著者 (3件)： Brawer Jake (Yale University,Department of Computer Science,New Haven,CT,USA) ,  Qin Meiying (Yale University,Department of Computer Science,New Haven,CT,USA) ,  Scassellati Brian (Yale University,Department of Computer Science,New Haven,CT,USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IROS  ページ： 8394-8399  発行年： 2020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： 原因および効果関係のような抽象知識は,ロボットを新しい環境において問題解決することを可能にするが,そのような知識を得ることは,多くの従来の機械学習技術に対する到達から残っている。本研究では,観察と自己監督実験の混合を通して構造因果モデルを構築することにより,原因と効果の明示的モデルを学習するロボットのための方法を導入し,ロボットが効果の原因から,そして,効果に起因する理由を推論することを可能にした。ツールアフォーダンス学習タスクに関する著者らの方法を実証し,そこではヒューマノイドロボットが新しいツールを効果的に利用するために事前学習を活用しなければならない。著者らの結果は,最小訓練例の後,このシステムがコンテキストに基づく新しいツールを優先的に選択することができ,目標指向オブジェクト操作のためにこれらのツールを使用できることを示唆する。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  問題解決 ,  ロボット
準シソーラス用語： 物体操作 ,  因果モデル ,  事前学習 ,  機械学習技術 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： ツール ,  アフォーダンス ,  学習