"Optimization Beyond the Convolution: Generalizing Spatial Relations with End-to-End Metric Learning" Dieses Paper, entstanden in der Arbeitsgruppe von Prof. Burgard gewann bei der International Conference on Robotics and Automation (ICRA 2018), in der Kategorie Robot Vision den Best Paper Award und konnte die namhafte Konkurrenz (MIT und TUM München) hinter sich lassen. Die Jury hob besonders hervor, dass die Autoren mit ihrer Arbeit ein wichtiges Themengebiet der Robotic Vision untersuchten, nämlich die Modellierung von räumlichen Relationen zwischen verschiedenen Objekten. Die Arbeit sei herausragend bezüglich Originalität und solider Validierung.
Das Papier präsentiert einen Ansatz zum maschinellen Lernen von Repräsentationen, der es Robotern ermöglicht räumliche Relationen zwischen Objekten zu verstehen und mit anderen Objekten auf Basis von visuellen Demonstrationen zu imitieren. Die Imitation von räumlichen Relationen zwischen Objekten ist eine wünschenswerte Fähigkeit für zukünftige Serviceroboter die Manipulationsaufgaben in menschenzentrierten Umgebungen ausführen sollen, welche üblicherweise eine Fülle an Relationen und unterschiedlichen Objekten beinhalten. Zum Beispiel, nachdem ein Roboter gelernt hat wie man ein Buch in eine Schublade platzieren kann, soll diese Fähigkeit transferiert werden um ein Spielzeug in einen Korb zu legen. Die vorliegende Arbeit unternimmt den nächsten Schritt zum besseren Verständnis der wahrgenommenen räumlichen Struktur menschlicher Umgebungen und nutzt das erlernte Wissen, um diese Struktur für Robotermanipulationsaufgaben zu imitieren. Damit trägt es maßgeblich zum BrainLinks-BrainTools-Projekt NeuroBots bei.
Papier: http://ais.informatik.uni-freiburg.de/publications/papers/jund18icra.pdf
Video: https://www.youtube.com/watch?v=XCSjZHi4cOw