Un modèle qui peut apprendre les préférences de rangement des gens

NeatNet : un modèle qui peut apprendre les préférences de rangement des gens

Un schéma résumant les cas d’utilisation du modèle des chercheurs. NeatNet a deux étapes. Tout d’abord, il apprend les préférences d’un utilisateur en observant comment il range certaines pièces de sa maison. Ensuite, il peut faire une prédiction personnalisée sur la façon d’organiser n’importe quel groupe d’objets. Par exemple, si vous avez acheté un nouveau livre, le robot devrait être capable de deviner raisonnablement où le mettre. Crédit : Ivan Kapelyukh et Edward Johns (The Robot Learning Lab à l’Imperial College de Londres).

À mesure que les robots deviennent de plus en plus avancés et abordables, de plus en plus de personnes pourraient commencer à les introduire dans leurs maisons. De nombreux roboticiens ont ainsi essayé de développer des systèmes capables d’aider efficacement les humains dans les tâches ménagères, telles que la cuisine, le nettoyage et le rangement.

Des chercheurs du Robot Learning Lab de l’Imperial College de Londres ont récemment développé NeatNet, un outil d’apprentissage automatique innovant qui pourrait permettre aux robots de ranger les environnements domestiques d’une manière qui correspond aux préférences individuelles d’un utilisateur. Ce modèle, présenté dans un article pré-publié sur arXiv, est basé sur une nouvelle architecture d’autoencodeur variationnelle avec des couches de réseaux de neurones graphiques.

“Chacun aménage sa maison d’une manière unique et personnelle, qui est influencée par le fait que quelqu’un soit droitier ou gaucher, ses goûts esthétiques, ses habitudes et même son origine culturelle”, a déclaré le Dr Edward Johns, l’un des chercheurs qui ont réalisé l’étude, a déclaré TechXplore. “Nous avons développé une méthode pour apprendre les préférences des gens quant à la façon dont ils aiment que leur maison soit arrangée, afin qu’un robot puisse ensuite ranger leur maison de manière personnalisée.”

NeatNet, la technique développée par le Dr Johns et son élève Ivan Kapelyukh, permet aux robots d’apprendre les préférences uniques d’un utilisateur en matière de rangement, simplement en observant comment ils organisent les meubles et les objets dans leur maison. Le robot peut ensuite utiliser ces préférences comme guide pour ranger la maison de l’utilisateur de manière à refléter ses préférences.

“Par exemple, supposons que vous préfériez que votre bureau soit disposé de manière compacte afin que tout soit facilement accessible”, a déclaré le Dr Johns. « Vous voudrez peut-être que le robot apprenne cette préférence. Une fois que le robot l’aura rangé, votre bureau sera arrangé d’une manière qui vous convient spécifiquement. »

NeatNet s’inspire des systèmes de recommandation, des outils d’apprentissage automatique utilisés par les plateformes de streaming (par exemple, Netflix, YouTube, Spotify) ou d’autres sites Web pour recommander de nouveaux contenus aux utilisateurs. Les systèmes de recommandation fonctionnent en apprenant les préférences d’un utilisateur en fonction du contenu qu’il a regardé, écouté ou consulté dans le passé.

“Si un nouveau film a été regardé par de nombreux utilisateurs avec des préférences similaires aux vôtres, alors Netflix pourrait vous recommander ce même film également”, a expliqué le Dr Johns. “C’est ainsi que ces méthodes font des recommandations personnalisées.”

Le nouvel outil de type recommandation pour l’apprentissage des préférences de rangement était basé sur la thèse de maîtrise en ingénierie de Kapelyukh à l’Imperial College de Londres, qui était supervisée par le Dr Johns. Kapelyukh, qui est maintenant titulaire d’un doctorat. étudiant à l’université, a présenté ce nouveau document avec son superviseur lors de la Conférence sur l’apprentissage robotique (CoRL) de cette année, qui s’est tenue à Londres du 8 au 11 novembre.

“Jusqu’à présent, nous avons présenté nos résultats à l’aide de simulations informatiques du robot et de son environnement, mais dans nos futurs travaux, nous prévoyons de les mettre en œuvre sur un vrai robot dans le monde réel”, a déclaré le Dr Johns.






Une courte vidéo résumant comment NeatNet apprend les préférences pour le rangement. Crédit : Ivan Kapelyukh et Edward Johns (The Robot Learning Lab à l’Imperial College de Londres).

Essentiellement, NeatNet traite les scènes qui ont été arrangées et rangées par les utilisateurs. À partir de ces scènes, il apprend les préférences de rangement d’un utilisateur, qui sont représentées sous la forme d’une séquence de nombres. Enfin, il utilise ces séquences numériques pour agencer n’importe quel groupe d’objets de manière personnalisée.

“Comme le robot ne sait pas à l’avance combien d’objets il rencontrera dans une scène, NeatNet utilise un réseau de neurones graphiques pour traiter les scènes”, a déclaré le Dr Johns. “Cela signifie qu’au lieu d’apprendre directement à partir d’images de la scène, il modélise une scène sous forme de graphique, où chaque objet est un nœud (ou un point) et tous les nœuds sont connectés ensemble.”

En utilisant un réseau de neurones graphiques, NeatNet est également capable d’apprendre les relations entre différents objets. Par exemple, il pourrait apprendre qu’un clavier et une souris sont généralement placés côte à côte, ou que les couverts sont placés sur le côté des assiettes.

En plus d’apprendre les relations générales d’objet à objet, NeatNet examine les préférences individuelles des utilisateurs. Il pourrait, par exemple, savoir de quel côté de l’assiette les utilisateurs placent habituellement leurs couverts, car les gauchers et les droitiers peuvent avoir des préférences différentes.

Le Dr Johns et Kapelyukh ont évalué leur technique dans une série d’expériences, en utilisant des exemples d’agencement de pièces créés à l’aide d’un simulateur de rangement, qui a capturé les préférences de 75 utilisateurs différents. Lors de ces tests, NeatNet a toujours produit des agencements de pièces soignés et personnalisés.

“Nous avons découvert que ranger des scènes de manière personnalisée était plus agréable pour les utilisateurs que de simplement ranger de la même manière pour tout le monde”, a déclaré le Dr Johns. “C’était vrai même pour des scènes simples, et dans les maisons du monde réel avec des centaines d’objets, il y a beaucoup plus d’options pour organiser chaque pièce.”

Lorsque les robots se généraliseront, leur capacité à effectuer des tâches en fonction des préférences des utilisateurs individuels pourrait être particulièrement précieuse. NeatNet pourrait ainsi s’avérer particulièrement utile, notamment pour améliorer les performances des assistants à domicile et des robots.

“Une autre découverte intéressante est que, bien que le réseau de neurones représente les préférences d’un utilisateur sous la forme d’une séquence de nombres, nous avons tout de même pu trouver des modèles significatifs”, a déclaré le Dr Johns. “Par exemple, NeatNet a décidé de regrouper les utilisateurs gauchers et droitiers séparément en fonction de la façon dont ils ont organisé une table à dîner. Cela met en lumière le fonctionnement du modèle à l’intérieur, ce qui est souvent difficile à déterminer lors de l’utilisation de réseaux de neurones.”

NeatNet n’a jusqu’à présent été testé que dans des simulations, mais il a obtenu des résultats très prometteurs. Les chercheurs mènent actuellement une étude de suivi visant à appliquer et à évaluer leur méthode sur de vrais robots.

“Nous utiliserons des caméras sur le robot, les “yeux” du robot, pour détecter où se trouvent les objets dans une pièce”, a déclaré le Dr Johns. “De plus, nous examinerons comment garantir que les dispositions suggérées sont toujours sûres selon les lois de la physique. Par exemple, une assiette ne doit pas basculer sur le bord de la table. Nous explorerons également des méthodes qui tiennent compte de la durée prenez le robot pour terminer ce rangement. Plutôt que de réorganiser toute la maison, par exemple, nous aimerions que le robot ne range que les quelques éléments qui sont considérablement déplacés. ”


Une technique qui permet aux robots de détecter quand les humains ont besoin d’aide


Plus d’information:
Ivan Kapelyukh, Edward Johns, Ma maison, mes règles : apprendre les préférences de rangement avec les réseaux de neurones graphiques. arXiv:2111.03112v1 [cs.RO], arxiv.org/abs/2111.03112

www.robot-learning.uk/my-house-my-rules

© 2021 Réseau Science X

Citation: NeatNet : un modèle qui peut apprendre les préférences de rangement des gens (2021, 30 novembre) récupéré le 30 novembre 2021 à partir de https://techxplore.com/news/2021-11-neatnet-people-tidying.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.