人型ロボットによる人間らしいリアルタイムスケッチ

深層学習アルゴリズムと生成モデルの急速な進歩により、ますます印象的な AI 生成の芸術的コンテンツの自動制作が可能になりました。 ただし、この AI によって生成されたアートのほとんどは、物理的なロボットではなく、アルゴリズムと計算モデルによって作成されています。

マドリッド・コンプルテンセ大学 (UCM) とマドリード・カルロス 3 世大学 (UC3M) の研究者は最近、人間の芸術家が行うのと同じように、人型ロボットが絵をスケッチできるようにする深層学習ベースのモデルを開発しました。 彼らの論文、 出版された で 認知システム研究、ロボットが創造的なプロセスにどのように積極的に従事できるかを示す注目すべきデモンストレーションを提供します。

「私たちのアイデアは、人々を魅了するロボットアプリケーションを提案することでした。 科学界 「そして一般の人々にも」と論文の共著者であるラウール・フェルナンデス・フェルナンデス氏はTech Xploreに語った。 人型ロボット 私たちのところに来ました。」

最も既存の ロボットシステム スケッチや絵画を作成するように設計されたシステムは、基本的にプリンターのように機能し、アルゴリズムによって以前に生成された画像を再現します。 一方、フェルナンデス・フェルナンデス氏らは、深層強化学習技術を活用して、人間が描くのと同じように、一筆一筆スケッチを作成するロボットを作成したいと考えていた。

「私たちの研究の目標は、 絵画 フェルナンデス・フェルナンデス氏は、「複雑な絵画を生成できるロボット アプリケーションではなく、堅牢な物理的なロボット ペインターを作成することが目的でした。私たちは、絵画ロボット アプリケーションのロボット制御段階を改善したかったのです。」と述べました。

過去数年間、フェルナンデス・フェルナンデス氏と彼の同僚たちは、創造的なロボットの動作を計画するための高度で効率的なアルゴリズムを考案しようと努めてきました。 彼らの新しい論文は、これらの最近の研究活動に基づいており、特に有望であるとわかったアプローチを組み合わせています。

「この作品は、過去の 2 つの重要な作品からインスピレーションを受けています」とフェルナンデス・フェルナンデス氏は語ります。 「これらの最初のものは、以前のものの 1 つです」 研究努力、クイックドローの可能性を探りました！ データセットはロボット画家のトレーニングに役立ちます。 ２番目に紹介した作品 ディープ Q ラーニング 感情などの複雑な特徴を含む可能性のある複雑な軌道を実行する方法として。」

研究者らが発表した新しいロボットスケッチシステムは、2006年に初めて導入されたDeep-Q-Learningフレームワークに基づいている。 以前の論文 投稿者: Zhou と同僚 arXiv。 フェルナンデス-フェルナンデス氏と彼の同僚は、ロボットの動作を慎重に計画できるようにこのフレームワークを改良し、ロボットが幅広い環境で複雑な手動タスクを完了できるようにしました。

「 ニューラルネットワーク 「は 3 つの部分に分かれており、相互接続された 3 つの異なるネットワークとして見ることができます。」とフェルナンデス-フェルナンデス氏は説明しました。「グローバル ネットワークは、キャンバス全体の高レベルの機能を抽出します。 ローカル ネットワークは、描画位置の周囲の低レベルの特徴を抽出します。 出力ネットワークは、畳み込み層によって (グローバル ネットワークとローカル ネットワークから) 抽出された特徴を入力として受け取り、次のペイント位置を生成します。

Fernandez-Fernandez と彼の共同研究者は、距離関連情報とペイント ツール情報 (つまり、キャンバスに対するツールの位置) を提供する 2 つの追加チャネルを介してモデルに情報を与えました。 これらすべての機能が総合的にネットワークのトレーニングを導き、スケッチ スキルを強化しました。 システムの人間のような描画スキルをさらに向上させるために、研究者らは、いわゆるランダム ストローク ジェネレーターに基づく事前トレーニング ステップも導入しました。

「私たちは過大評価の問題を回避するためにダブル Q 学習を使用し、そのトレーニングにはカスタム報酬関数を使用しています」と Fernandez-Fernandez 氏は述べています。 「これに加えて、スケッチの高レベルの特徴を抽出し、その出力を絵画エポックの最後のステップで報酬として使用するために、追加のスケッチ分類ネットワークを導入しました。このネットワークは、報酬が得られて以来、絵画にある程度の柔軟性を提供します」それによって生成されるものは、参照キャンバスではなくカテゴリに依存します。」

物理的なロボットを使用してスケッチを自動化しようとしているとき、研究者らは、AI が生成した画像で観察された距離と位置を現実世界のキャンバスに変換する戦略も考案する必要がありました。 これを達成するために、彼らは物理的なキャンバス内に離散化された仮想空間を生成し、その中でロボットが移動し、モデルによって提供された絵画位置を直接変換することができました。

「この研究の最も重要な成果は、実際のロボット塗装アプリケーション内に高度な制御アルゴリズムを導入したことだと思います」とフェルナンデス・フェルナンデス氏は語った。 「この研究により、これらのアルゴリズムの導入によって塗装ロボット アプリケーションの制御ステップを改善できることを実証しました。DQN フレームワークには、範囲外のオリジナルで高レベルのアプリケーションを実現する能力と抽象化レベルがあると信じています。」古典的な問題について。」

この研究者チームによる最近の研究は、ロボットが人間のアーティストの動作によく似た動作を通じて、現実世界でどのようにアートを作成できるかを示す興味深い例です。 フェルナンデス-フェルナンデス氏と彼の同僚たちは、彼らが開発した深層学習ベースのモデルがさらなる研究を促し、ロボットがますます複雑化するタスクに取り組むことを可能にする制御ポリシーの導入に潜在的に貢献することを期待している。

「この一連の作業で、私たちは人間のデモンストレーターの感情を抽出し、それをロボットに転送するためのディープ Q ラーニングを使用したフレームワークを開発しました」とフェルナンデス-フェルナンデス氏は付け加えました。 「この最近の論文では、DQN ネットワークの特徴抽出機能を利用して、標準的なロボット タスクの報酬内で最適化および定義できる特徴として感情を扱い、その結果は非常に印象的です。

「将来の研究では、古典的なロボット制御の問題を超えてロボット制御アプリケーションを強化する同様のアイデアを導入することを目指しています。」

© 2024 サイエンス X ネットワーク