Towards learning affordances: Detection of relevant features and characteristics for reachability

Abstract

Bu tezde, otonom robot kontrolü için sağlarlık kavramını inceledik veobjelerin belirli bir sağlarlığı destekleyen değişmez özelliklerinin öğrenilebileceğiönerdik. Simule edilmiş KURT3D robot modeli üzerinde 'erişilebilirlik' sağlarlığınıincelemek için fizik tabanlı bir simulatör kullandık. Her bir özellik değerininçalışma yoluyla bantlara ayrılabileceğini ve daha sonra bu bantların ilgili özelliklerive karakteristiklerini ortaya çıkarmak için kullanılabileceğini önerdik. Analizimiz,yalnızca ilgili özellikleri kullanarak daha önce karşılaşılmamış objelerinsağlarlığının yüksek doğrulukla tahmin edilebileceğini gösterdi. Robot bilimindebaşarısızlığın maliyeti yüksek olabileceğinden ve daha isabetli tahminlere ihtiyaçduyulduğundan bu kazanım önemlidir.Anahtar Kelimeler: Sağlarlık, Otonom Robotbilim, Bilişsel Robotbilim, MakineÖğrenmesi, Ekolojik Psikolojiiv

In this thesis, we reviewed the affordance concept for autonomous robotcontrol and proposed that invariant features of objects that support a specificaffordance can be learned. We used a physics-based robot simulator to study thereachability affordance on the simulated KURT3D robot model. We proposed that,through training, the values of each feature can be split into strips, which canthen be used to detect the relevant features and their characteristics. Ouranalysis showed that it is possible to achieve higher prediction accuracy on theaffordance support of novel objects by using only the relevant features. This is animportant gain, since failures can have high costs in robotics and better predictionaccuracy is desired.Keywords: Affordance, Autonomous Robotics, Cognitive Robotics, MachineLearning, Ecological Psychologyiii