自律型移動ロボットにおける人間主導の転移学習手法
Human-Guided Transfer Learning Method for Autonomous Mobile Robots

ニューラルネットワークは多くの応用分野で優れた成果を上げていますが、そのトレーニングには多大な時間と膨大なデータが必要であり、特に物理的な環境で動作する自律ロボットにおいて、リアルタイムでの学習が困難な問題となります。この問題を解決するために、本研究では、転移学習を用いたヒューマン・イン・ザ・ループ（Human-in-the-Loop: HITL）というアプローチを提案しています。
既存の知識を他の領域に適用する転移学習の概念を活用することで、人間の知識や直感をロボットの学習過程に直接組み込むHITLの枠組みを提案し、ロボットが人間の常識や専門知識を活用して学習の収束を早めることを目指します。特に、人間の判断や評価を導入することで、ロボットの機械学習能力と人間の直感のギャップを埋め、複雑な現実世界のシナリオでより効率的かつ適応力のある自律ロボット学習の実現を図ります。
本研究では、衝突回避学習を対象とした一連の実験を通じて、事前知識の有無や異なる実験環境がロボットの学習効率に与える影響を体系的に評価しました。

実験の様子

Neural networks have demonstrated remarkable success across various fields of application; however, their training requires substantial time and vast amounts of data, which poses a significant challenge, particularly for autonomous robots operating in physical environments where real-time learning is difficult. To address this issue, this study proposes an approach based on Human-in-the-Loop (HITL) learning, utilizing transfer learning.
By leveraging the concept of transfer learning, which applies existing knowledge to new domains, we propose a HITL framework that directly incorporates human knowledge and intuition into the robot’s learning process. The goal is to accelerate the convergence of the robot’s learning by utilizing human common sense and domain-specific expertise. In particular, by integrating human judgment and evaluation, we aim to bridge the gap between the robot’s machine learning capabilities and human intuition, enabling more efficient and adaptable autonomous robot learning in complex, real-world scenarios.
In this study, we systematically evaluate the impact of prior knowledge and varying experimental conditions on the learning efficiency of robots, focusing on collision avoidance learning through a series of experiments.

Video of the experiments