Deep Learningを用いたロボット制御

1. Deep Learningを用いたロボット制御 2016/7/23 第9回科学技術におけるロボット教育シンポジウムチーフアーキテクト奥田遼介株式会社Preferred Networks

2. 今日の内容  私が関わった様々なロボット関連の技術を紹介します  詳細な解説や動画は弊社のブログに掲載してあります — 「プリファードリサーチ」で検索  目次 — レゴ  分散深層強化学習  ぶつからない車 — 産業用ロボット  バラ積み取り出し  Amazon Picking Challenge

3. 自己紹介奥田遼介  -2010一関工業高等専門学校  -2014東北大学修士 — 文字列処理など  2014 （株）プリファードインフラストラクチャー  2014- （株）プリファードネットワークス — チーフアーキテクト — 映像解析系、製造業系にかかわる研究開発 — ChainerやCuPyの開発

4. 私とレゴマインドストーム  2003年中学生：RCX  2012年大学院生：NXT 2.0 — ETロボコン2012に出場 — チャンピオンシップ大会 TOPPERS賞受賞，総合部門第4位  2015年社会人： EV3

5. ETロボコンでは何をしたか？  プログラムのリモート書き換え機能を実装 — ETロボコン専用スクリプト言語 — BT転送  SATORI2 — 自動リトライによるパラメーター調整

6. 会社紹介: Preferred Networks (PFN)  2014年3月設立（Preferred Infrastructureからスピンオフ）  本社：東京、アメリカ子会社：カリフォルニア州サンマテオ  社員数：約40名（そのうち35名程度はエンジニア）  投資元：NTT、FANUC、トヨタ自動車ディープラーニング (人工知能) Industrial IoT 製造業自動車ヘルスケア

7. 7 世界的な企業とのパートナーシップで機械学習を活用  産業応用において実データを用いた共同R&Dプロジェクト — 特殊なデータ・必要要件、アルゴリズムの改良、多くの試行錯誤、… — 一般的なパターン認識システムとは異なる状況での経験とノウハウ (C) WSJ (C) WSJ

8. 今回よく出てくる3つのキーワード  機械学習 — 経験（データ）によって賢くなるアルゴリズム  強化学習 — 試行錯誤を通じて環境に適応した制御を獲得する枠組み  深層学習（ディープラーニング） — 機械学習手法のひとつ、近年大きく研究が進んでいる

9. 機械学習（マシンラーニング）経験（データ）によって賢くなるアルゴリズムの研究 – データから知識・ルールを自動獲得する – データの適切な表現方法も獲得する – 人工知能の中で、人が知識やルールを明示的に与える方法の限界から生まれてきた学習データ分類モデル

10. 画像認識タスクでの性能向上（ILSVRC） 28.2 25.8 16.4 11.7 6.7 5.98 5.1 4.94 4.82 3.56 0 5 10 15 20 25 30 これが人 Deep Learning の衝撃

11. 強化学習のモチベーション学習行動 webサービスゲームAI ルーターロボット自動車 ... ヒストグラム線形モデル SVM Deep NN ... データ前処理サービスに反映データ収集このループを自動で回したい

12. 状態 s の時にどの行動 aを取ればよいかを報酬 r を手掛かりに学習する強化学習の問題設定（簡易版）エージェント行動 a 良い結果・すいすい走る悪い結果・他車とぶつかる評価報酬 r を与える（罰の場合もある）状態 s：周りの情報状態 sに対する行動 a は直接教えない

13. レゴを活用したデモンストレーション

14. 分散深層強化学習  2015年6月のInteropで発表したデモ

15. 全体システムＷｅｂカメラ（ＵＳＢ）ＢＴ制御シミュレーター (Processing) 画像認識 (AR Toolkit) 深層学習（Chainer）座標データセンサーデータ操作指令 GPU搭載PC

16. 複数ロボットカーの協調走行  状態：273次元 — 視線：32方向の視線に対する情報など（障害物までの距離・角度）  行動：5種類（前後加速, 左右回転, ブレーキ)  報酬r： — 良い：指定されたパスに沿って速く移動する — 悪い：壁や障害物、他の車にぶつかる  どのように走行すれば最適かを学習 — 状態sの時に各行動aの報酬を予測するNNを学習 273 600 400 200 100 50 入力：状態s 前加速後加速右回転左回転ブレーキ出力：各行動aの報酬予測

17. CES 2016ロボットカーデモ  トヨタ、NTTとの共同展示  ディープラーニングと強化学習を用いることで、自動で運転能力を習得するデモ https://www.youtube.com/watch?v=a3AWpeOjkzw https://www.youtube.com/watch?v=7A9UwxvgcV0

18. 何がすごいか  約300次元の入力情報から適切な行動を車自らが自動的に獲得する — 入力・出力が何に対応するかも教えていない — 全方位を見て複雑な状況でも適切によける — それぞれの車は独立に行動を決定  CESのデモでは4日間で白い車はお互いに衝突無し  複数台のセンサーデータを集めて学習を加速 — データ共有して学習する事でより速く、より賢くなる

19. なぜレゴでデモを作ったか？  今の深層強化学習でどんな事が出来るか示したかった — よくある「IoT・ビッグデータ」はデータを集めるだけの場合がほとんど  分析すらできなくて、コストだけかかって価値にならない — IoTの会社なので実物を動かしながら、技術の実用性を示す  お客さんとのプロジェクトの内容は外に出せない — 技術の詳細を公開できないので、ぼやかした説明になる

20. レゴを使った利点  高速にデモを作れた — 最初のデモは2か月で制作 — 他のラジコンカーも試したけど、EV3が一番安定して制御できた — 制御・通信部分を自由にいじれる  ほど良いバッテリー時間とパワー — 2時間くらい動いてくれる — パワーが結構ある（CESの時は通信機と別バッテリーも搭載）  動くデモは圧倒的にインパクトがある — 安定して動く — 同じ型を大量に購入できる（最終的に20台くらい購入）  他の製品は付属品が品切れになっていたりした

21. レゴの欠点・デモで苦労した点  ちょっと本体が大きい — もう一回り小さい型が欲しいところ  ラジコンモードが標準であってほしい  もう少し早いモーターが欲しい — 大きいタイヤ使いたくなかった  屋内の精密な位置・向き測定は難しい — カメラの解像度、光の状態、設置が面倒くさい

22. 産業用ロボットへの技術適用

23.  バラ積み取り出し — 乱雑に置かれた物体 — 入力：上方からの深度付き画像 — 出力：吸着ハンドの目標座標  自動車工場によくある設定 — 別工場から部品が箱にバラバラな状態で送られてくる — 専用の機械（高価で煩い）か、人が取り出して並べていたバラ積みロボットの学習

24. バラ積みロボットの学習  従来手法 — パターンマッチ、ブロブ検出など — パラメタチューニングが難しい  提案手法 — Deep Learningで代替 — 学習データを自動で収集

25. バラ積み取出しの学習 https://www.youtube.com/watch?v=ATXJ5dzOcDw 国際ロボット展2015にて展示

26. Amazon Picking Challengeとは  Amazonが主催  6/29-7/3, ドイツ  RoboCup2016 と併設  今年2回目  倉庫の自動化を目指す  タスク：指示された12個のitemを15分以内に棚から取ってくる / 棚に入れればOK

27. アイテムと棚 39種類のアイテム・光沢や透明・重い、大きい、小さい、変形棚内の配置例

28. 結果 Pickタスクで2位(1位と同スコア)！ Stowタスクで4位(3位と僅差)！ http://amazonpickingchallenge.org/results.shtml タスク後の記念撮影

29. ロボット外観・2本のFANUC製ロボットアームで2種類のハンド（バキューム、グリッパ）を使用・アームの先端に2種類の画像センサを搭載

30. 他のチームバキュームとグリッパの融合ハンド台座に前後軸アームに前後軸 PFN Stow :4位(161) Pick ： 2位(105)  全16チーム — 日本から4チーム  Delft（オランダ） — Stow : 1位(214) — Pick ：1位(105) — アーム：Yasukawa  Nimbro（ドイツ） — Stow : 2位(186) — Pick ：3位(97) — アーム：Universal Robots

31. 画像認識性能の戦い Realsense Lidar Segmentation (CNN) アイテム解析・吸着可能位置推定(CNN) ・面の法線推定（点群処理）・向き姿勢推定（点群処理）吸着可能位置推定法線方向推定向き姿勢推定全チームが深層学習を利用。各チームそれぞれに改良を重ねていた。

32. まとめ

33. 機械学習のこれから  多くの分野に急速に普及する — 画像認識、音声認識、動画認識、テキスト認識 — 画像生成、テキスト生成  画像認識 — 深層学習の登場により、大きく技術が向上 — 複雑な制御を行うためにはほぼ必須の技術に  音声認識 — テキスト化、指示の伝達、コミュニケーション  強化学習 — より現実に近い設定で動くように進歩中

34. ロボット  活動範囲を広げるには学習の活用が必須 — 産業用ロボットは基本的に決まった動きの繰り返し  プログラミングの難しさ、安全性  これからのロボット — 大量のセンサを搭載、カメラも使う — 機械学習により自動的に動きを獲得 — 人に対して安全に振る舞う  社会への進出 — ドローン、産業用・災害用・家庭用ロボットなどなど

35. レゴを通して学べる良いこと  物・サービスづくり — ソフト・ハードを通して、実現したいものを作っていく能力 — ハード  工作技術、動きの仕組み、現実世界の複雑さ — ソフト  制御、プログラミング、アルゴリズム — 解決力  障害の原因を特定してひとつずつ解決していく  誰かにとって役に立つ何かを作っていく

36. 本日のデモの詳細情報  「プリファードリサーチ」で検索 — https://research.preferred.jp/ — バラ積みロボットの学習 — 強化学習によるロボットカーの自動制御 — 画風変換 — 画像の自動生成 We are hiring! インターン・アルバイトも募集中です

Deep Learningを用いたロボット制御

Esté a ler uma amostra.

Confira estes a seguir

Deep Learningを用いたロボット制御

Mais Conteúdo rRelacionado

Diapositivos para si (20)

Quem viu também gostou (16)

Semelhante a Deep Learningを用いたロボット制御 (20)

Mais recentes (20)