Object-level mapping for interactive exploration
Etkileşimli keşif için nesne düzeyinde haritalama
- Tez No: 936188
- Danışmanlar: PROF. DR. ROLAND SIEGWART
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Eidgenössische Technische Hochschule Zürich (ETH)
- Enstitü: Yurtdışı Enstitü
- Ana Bilim Dalı: Robotik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: 42
Özet
Gerçek dünya ortamlarında etkileşim yeteneklerine sahip somutlaştırılmış ajanların kullanılması robotik biliminin önemli bir amacıdır. Robotik ajanların bilinmeyen ortamları tanıması ve bu ortamlarda çalışabilmesi gerekir. Bilinmeyen ortamları tanıyabilen ajanlar elde etmek için etkileşimli keşif önemli bir yaklaşımdır. Bir çevreyi tanımak için keşif yeteneği somutlaştırılmış ajan için çok önemlidir. Farklı nesne türleriyle etkileşime geçmek için, ajanımızın öncelikle bu nesneler arasında gezinmesi gerekir. Klasik yöntemler çoğunlukla bu problemin keşif kısmına odaklanır. Ancak, farklı nesnelerle etkileşim de etkileşimli bir keşif ajanı için çok önemlidir. Bir nesne ile etkileşime geçmek için ajanımızın o nesne ile gerçekleştirilebilecek potansiyel eylemleri bilmesi gerekir. Bu potansiyel eylemler olanaklar olarak tanımlanır. Son teknoloji yöntemler, uygunlukları öğretmek için denetimli öğrenme yöntemlerine odaklanmaktadır. Ancak, son teknoloji veri kümeleri yeterli miktarda açıklamalı veriye sahip değildir. Ek olarak, her robot için uygunlukların tanımı değişmektedir. Bu nedenle, robota özgü bir veri kümesi de gereklidir ve bu da en son çalışmalardan elde edilmesi imkansızdır. Sonuç olarak, ajanımıza robota özgü kolaylıkları öğretmek için etkileşimlerden bir öğrenme hattı öneriyoruz. Takviyeli öğrenme tabanlı etkileşimli keşif hattımıza nesne düzeyinde bir harita entegre ediyoruz. Bu sayede aracımız farklı nesne örneklerini tanımlayabiliyor ve nesne hareketlerini takip edebiliyor. Son teknoloji yöntemlere kıyasla daha iyi açıklama performansı elde ediyoruz. Sonuç olarak, %183 daha yüksek uygunluk tahmin performansı elde ettik. Ek olarak, boru hattımız nesne düzeyindeki haritayı örtük bellek yerine açık bir durum temsili olarak kullanıyor. Nesne seviyesi haritasından elde edilen yapılandırılmış bilgi sayesinde, ajanımız %15 daha düşük keşif çabasıyla %128 daha yüksek etkileşimli nesne kapsamı elde ediyor.
Özet (Çeviri)
The usage of embodied agents with interaction capabilities in real-world environments is an important aim of robotics. Robotic agents need to recognize unknown environments, to be able to operate inside them. To obtain agents which can recognize unknown environments, interactive exploration is an important approach. To recognize an environment exploration capability is crucial for the embodied agent. To interact with different types of objects, our agent initially needs to navigate through that objects. Classical methods mostly focus on the exploration part of this problem. However, interaction with different objects is also crucial for an interactive-exploration agent. To interact with an object our agent needs to know the potential actions that can be performed with that object. These potential actions are defined as affordances. State-of-the-art methods focus on supervised learning methods to teach affordances. However, state-of-the-art datasets do not have enough amount of annotated data. Additionally, for each robot, the definition of affordances changes. Therefore, a robot-specific dataset is also required, which is impossible to obtain from state-of-the-art works. As a result, we propose a learning affordances from interactions pipeline, to teach robot-specific affordances to our agent. We integrate an object-level map into our reinforcement learning based interactive exploration pipeline. Therefore, our agent can identify different object instances, and track object movements. We obtain better annotation performance compared to the state-of-the-art methods. As a result, we obtain 183 % higher affordance estimation performance. Additionally, our pipeline uses the object-level map as an explicit state representation instead of implicit memory. Thanks to the structured information obtained from the object-level map, our agent obtains 128 % higher interacted object coverage with 15 % lower exploration effort.
Benzer Tezler
- Eski bir askeri sahada İHA sistemleri kullanılarak patlamış ve patlamamış mühimmatların tespiti için havadan manyetik ile araştırılması
Aerial magnetic search for the detection of explosed and unexplosed munitions using UAV systems in an old military field
COŞKUN ERTUĞRUL
Yüksek Lisans
Türkçe
2023
Jeofizik MühendisliğiSakarya ÜniversitesiJeofizik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYHAN KESKİNSEZER
- Mimarlık eğitimi diyalojik peyzajının bir parçası olarak Mimarlık dergisi'ni haritalama
Mapping the Mimarlik journal as a part of the dialogical landscape of architectural education
GİZEM ÖZER ÖZGÜR
Doktora
Türkçe
2024
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. SIDIKA ASLIHAN ŞENEL
- Mimari tasarımda yapay zekâ yaklaşımı: Makine öğrenmesi ile mekân işlevlerinin tanınması ve üretken çekişmeli ağlarla mimari plan üretimi
Artificial intelligence approach in architectural design: Recognition of space functions with machine learning and architectural plan generation with generative adversarial networks
BERFİN YILDIZ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. GÜLEN ÇAĞDAŞ
DR. ÖĞR. ÜYESİ İBRAHİM ZİNCİR
- Körfezlerdeki su kalitesinin uydu görüntü verileri yardımıyla incelenmesi
The Evaluation of water-quality in the bays by satellite images
FİLİZ SUNAR