物体操作タスクにおける Switching Funnel UNITERによる 対象物体および配置目標に関する指示文理解 慶應義塾大学 是方諒介，吉田悠，石川慎太朗，杉浦孔明

背景：生活支援ロボットに自然言語で指示できると便利 • 高齢化が進行する現代社会 – 日常生活における介助支援の需要の高まり • 生活支援ロボット – 被介助者を物理的に支援可能 – 在宅介助者不足を解消 フライパンを白い机に運んで 2

問題設定：Dual Referring Expression Comprehension (DREC) • 物体検出により抽出した各領域から， および を特定 • 入力 ① 指示文 ② 対象物体候補の領域 ③ 配置目標候補の領域 ④ 画像中の各物体および配置先の領域 • 出力 – 対象物体候補および配置目標候補が，ともに指示文のGround Truthに一致する確率 – 望ましい出力：一致すれば1，しなければ0 “Move the to the .” 対象物体候補の画像 配置目標候補の画像 3 対象物体 配置目標 frying pan white table

関連研究 手法 概要 MTCM [Magassouba+, RA-L19] ・自然言語による指示文と全体画像を入力とし，対象物体を特定 ・VGG-16およびLSTMを使用 Target-dependent UNITER [Ishikawa+, RA-L21] ・対象物体候補を扱う新規構造を導入した UNITER [Chen+, ECCV20] 型注意機構を使用 Funnel UNITER [吉田+, JSAI22] ・Target-dependent UNITERに， Funnel Transformer [Dai+, NeurIPS20] に基づく次元削減を導入 Object Memory Transformer [Fukushima+, ICRA22] ・3次元屋内環境におけるobject goal navigation ・Object-Scene Memoryを用いてシーケンス中の物体に注目 Object Memory Transformer 4 Target-dependent UNITER

Funnel UNITERの課題： 要する推論回数が膨大で，リアルタイム性において非実用的 • 目標：指示文に対する最尤の組（対象物体，配置目標）の探索  推論回数のオーダーが 𝑂(𝑀 × 𝑁) 例）𝑀 = 𝑁 = 100，1回の推論時間を0.004秒と仮定 判断に40秒必要 5 𝑀：対象物体候補数 𝑁：配置目標候補数 ・・・ ( ， ) … ( ， ) ？ 部屋2 部屋1

提案手法：Switching Funnel UNITER • Funnel UNITERを，単一モデルで対象物体/配置目標を独立に予測可能に拡張 – 推論回数のオーダーを 𝑂(𝑀 + 𝑁) に削減 – 4つのモジュールで構成 6 ( ， ) ！ ( )，… ，( ) ( )，… ，( )

1. Switcher：予測対象が対象物体/配置目標のどちらかに応じて入力切替 • ① target mode：対象物体を予測，② destination mode：配置目標を予測 – 𝒙targ , 𝒙dest , 𝒙det ：Faster R-CNN [Ren+, PAMI16] から抽出した領域の特徴量 – 𝒙targloc , 𝒙destloc , 𝒙detloc ：矩形領域の位置に関する特徴量 7 不要な入力を0埋めして条件付け（𝒙targloc ， 𝒙destloc も同様） 𝒙targ , 𝒙dest = ൝ (𝒙targ , 𝟎) if target mode (𝟎, 𝒙dest ) if destination mode 各モードの対象ではない入力は不使用 𝒙det ，𝒙detloc ：周囲の物体および配置先の特徴量

2. Image Embedder, 3. Text Embedder：画像/指示文の埋め込み • Image Embedder – 𝑓FC ：全結合層，𝑓LN ：Layer Normalization • Text Embedder：指示文に対しWordPieceによるトークン化 – 𝒙inst ：トークンID (one-hot)，𝒙pos ：トークンの位置 (one-hot) 8 𝒉′targ = 𝑓LN (𝑓FC 𝒙targ + 𝑓FC 𝒙targloc ) 𝒉′dest ，𝒉′det も同様に算出し，連結 𝒉′txtemb = 𝑓LN 𝑾inst 𝒙inst + 𝑾pos 𝒙pos 𝑾inst ，𝑾pos ：学習可能パラメータ

4. Funnel Transformer：𝐿 層繰り返し，モードに応じて出力を選択 • target modeでは𝑝(ෝ 𝒚targ )，destination modeでは𝑝(ෝ 𝒚dest )を予測確率と解釈 • 単一モデルでマルチタスク学習 – 𝜆∗ ：ハイパーパラメータ，ℒ∗ ：各モードにおける交差エントロピー誤差 9 𝒉′imgemb ，𝒉′txtemb を連結し入力 ℒ = 𝜆targ ℒtarg + 𝜆dest ℒdest

実験設定：”ALFRED-fc” データセットを収集し，性能を評価 • ALFRED [Shridhar+, CVPR20] – 物体操作を含むVision-Language Navigationの標準ベンチマーク • ALFRED-fc (fetch and carry)：DRECのための新規データセット ☺ ALFREDから，物体把持直前/配置直後の画像を収集 ☺ 配置後の物体を0埋めしてマスク 10  把持中の物体で 視野が遮蔽  配置後の物体が写る 配置前 配置後 ALFRED-fc

定量的結果：ベースライン手法を上回る性能 • 対象物体/配置目標を同時に予測するベースライン手法に合わせて評価 – 正解ラベル（真偽値）： 𝑦 = 𝑦targ ∩ 𝑦dest – 予測ラベル（真偽値）： ො 𝑦 = ො 𝑦targ ∩ ො 𝑦dest ✓ ベースライン手法を精度で上回る ✓ マルチタスク学習/0埋めともに有効 手法 Accuracy [%] Funnel UNITER [吉田+, JSAI22] 79.4 ± 2.76 提案手法 (w/o マルチタスク学習) 76.9 ± 2.91 提案手法 (w/o Switcherにおける0埋め) 80.4 ± 5.31 提案手法 83.1 ± 2.00 +3.7 11

定性的結果：成功例/失敗例 • 正例に対する成功例 “Move the soap from the shelves to the metal rack.” “Put a towel in the bath tub.” • 負例に対する失敗例 ☺ 対象物体候補が鏡に映った ものであると判断する難しさ  12 対象物体候補/配置目標候補が， ともにGround Truthに一致すると正しく予測 対象物体候補が、 Ground Truthに一致すると誤って予測

まとめ 背景 ✓ 生活支援ロボットに自然言語で指示できると便利 提案 ✓ Switcherおよびマルチタスク学習の導入により， 単一モデルで対象物体および配置目標の予測を実現 ✓ 推論方法の工夫により，必要な推論回数を削減 結果 ✓ ALFREDを基にしたデータセットにおいて， ベースライン手法を分類精度で上回った 13