収穫できるものを学ぶ：効率的なロボティック果実収穫のためのアクティブ到達可能性推定

概要: 農業は世界の健康と経済的な持続可能性の礎であり続けていますが、高付加価値作物の収穫のような労働集約的な作業では、労働力不足が拡大し続けています。ロボットによる収穫システムは有望な解決策を提供しますが、未整備な果樹園環境での導入は、非効率な知覚から行動へのパイプラインによって制約されています。とりわけ既存のアプローチでは、対象の果実が到達可能かどうかを判断するために、網羅的な逆運動学（inverse kinematics）やモーションプランニングに依存することが多く、その結果として不必要な計算や意思決定の遅延が生じます。本アプローチでは、RGB-Dの知覚と能動学習を組み合わせ、到達可能性を二値の意思決定問題として直接学習します。さらに能動学習を活用して、到達可能性ラベル付けに最も有益なサンプルを選択的に照会し、注釈作業の負担を大幅に削減しつつ、高い予測精度を維持します。大規模な実験により、提案フレームワークが、はるかに少ないラベル付きサンプルで正確な到達可能性予測を達成し、ランダムサンプリングに比べて約6--8%高い精度をもたらすことが示されています。また、新しい果樹園の構成へのラベル効率のよい適応を可能にします。評価した戦略の中では、エントロピーおよびマージンに基づくサンプリングが、ラベル数が少ない状況でQuery-by-Committeeおよび標準的な不確実性サンプリングを上回ります。一方、ラベル集合が増えるにつれて、すべての戦略は同程度の性能に収束します。これらの結果は、農業ロボティクスにおけるタスクレベルの知覚に対して能動学習が有効であることを示しており、本手法が計算負荷の高い運動学的到達可能性解析のスケーラブルな代替として位置付けられることを示しています。コードは https://github.com/wsu-cyber-security-lab-ai/active-learning で公開しています。