【泡泡一分钟】利用语义语言指令收集机器人信息

　　【泡泡一分钟】利用语义语言指令收集机器人信息

　　每天一分钟，带你读遍机器人顶级会议文章

　　标题：Robotic Information Gathering using Semantic Language Instructions

　　作者：Ian C. Rankin, Seth McCammon, and Geoffrey A. Hollinger

　　来源：2021 IEEE International Conference on Robotics and Automation (ICRA)

　　编译：张宁

　　审核：Zoe，王靖淇

　　这是泡泡一分钟推送的第 939 篇文章，欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

　　摘要

　　本文提出了一个框架，该框架使用语言指令来定义机器人收集环境信息的约束和目标。设计自主机器人采样任务需要对自主系统和科学领域的专业知识有深入的了解。语言指令为操作人员提供了一个直观的界面，可以向机器人下达复杂的指令。我们利用的关键见解是使用拓扑约束来定义语言指令的导航方向，比如“导航到岛的左侧“。本文介绍了三个主要贡献：将语言指令映射到机器人规划者的约束和奖励框架，拓扑约束信息收集算法，和上升流前沿语义特征自动检测算法。我们的工作改进了现有的方法，不需要使用语言指令对规划约束对的训练数据，允许新的机器人领域，如海洋机器人使用我们的方法。本文的结果表明，我们的框架可从超过110万条指令的系统生成语料库中为84.6%的指令生成正确的约束。我们还在使用Slocum水下滑翔机执行真实世界的科学采样任务中，展示了该框架能够从语言指令生成机器人计划。

　　图1:命令Sample the upwellingfront, routing to the island east生成完整机器人平面图的系统*敏*感*词*。该指令使用Stanford解析器生成UD树。我们使用我们的基础框架从UD树生成列表约束，并从已知列表或使用自动特征检测器生成语义特征列表。约束信息收集算法利用规划者的约束和环境的语义特征，生成机器人计划。

　　图2:不同的开始X_s和目标X_g、定位以及向左或向右建图的h签名。红色路径为右(θ 0）.

　　图3:使用patch和slice数据表示的SVM和CNN上升流前检测器的ROC曲线。

　　图4:短语模板接地的准确性。图(a)显示了图(b)和(c)中的所有说明。“请求澄清”使用了章节IV-C中概述的方法

　　图5:与专业设计规划和无拓扑约束的路径比较的完整系统结果。使用拓扑约束的实线更接近于专业设计的路径。这些路径的说明在章节VI-C中给出。

　　Abstract

　　This paper presents a framework that uses language instructions to define the constraints and objectivesfor robots gathering information about their environment。Designing autonomous robotic sampling missions requires deepknowledge of both autonomy systems and scientific domainexpertise。 Language commands provide an intuitive interfacefor operators to give complex instructions to robots。 Thekey insight we leverage is using topological constraints todefine routing directions from the language instruction suchas ‘route to the left of the island。

　　’ This work introduces threemain contributions: a framework to map language instructionsto constraints and rewards for robot planners, a topologyconstrained information gathering algorithm, and an automaticsemantic feature detection algorithm for upwelling fronts。 Ourwork improves on existing methods by not requiring trainingdata with language instruction to planner constraint pairs,allowing new robotic domains such as marine robotics touse our method。 This paper provides results demonstratingour framework producing correct constraints for 84。

　　6% ofinstructions, from a systematically generated corpus of over1。1 million instructions We also demonstrate the frameworkproducing robot plans from language instructions for real-worldscientific sampling missions with the Slocum underwater glider。

　　如果你对本文感兴趣，请点击点击阅读原文下载完整文章，如想查看更多文章请关注【泡泡机器人SLAM】公众号（paopaorobot_slam）。

　　百度网盘提取码：pu6q

　　欢迎来到泡泡论坛，这里有大牛为你解答关于SLAM的任何疑惑。

　　有想问的问题，或者想刷帖回答问题，泡泡论坛欢迎你！

　　泡泡网站：

　　泡泡论坛：

　　泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成，希望大家珍惜我们的劳动成果，转载请务必注明出自【泡泡机器人SLAM】微信公众号，否则侵权必究！同时，我们也欢迎各位转载到自己的朋友圈，让更多的人能进入到SLAM这个领域中，让我们共同为推进中国的SLAM事业而努力！

　　商业合作及转载请联系