본 논문에서는 RGB-D 카메라만을 사용하여 탁상 정리(tabletop tidying up) 문제를 해결하도록 설계된 새로운 프레임워크인 정리도(tidiness score) 기반 몬테카를로 트리 탐색(TSMCTS; tidiness score-guided Monte Carlo tree search)을 제시한다. 우리는 탁상 정리 문제에 대한 두 가지 주요 문제를 다룬다: (1) 공개 데이터셋 및 벤치마크의 부재, 그리고 (2) 보지 못한 물체들의 목표 구성(goal configuration)을 명시하는 데 따르는 어려움이다. 전자의 문제를 해결하기 위해 시뮬레이션에서 수집된 구조화된 데이터셋인 탁상 정리(TTU; tabletop tidying up) 데이터셋을 제시한다. 이 데이터셋을 사용하여 정리도를 예측할 수 있는 비전 기반 판별기(discriminator)를 학습한다. 이 판별기는 실제 환경 장면을 포함하여, 보지 못한 구성 전반에 걸쳐 정리도의 정도를 일관되게 평가할 수 있다. 두 번째 문제를 해결하기 위해, 명시적 목표를 지정하지 않고도 정리 궤적(tidying trajectories)을 찾기 위해 몬테카를로 트리 탐색(MCTS; Monte Carlo tree search)을 사용한다. 구체적인 목표를 제공하는 대신, 정리도 점수를 지침(guidance)으로 활용하는 MCTS 기반 계획(planner)이 다양한 정리된 구성을 찾을 수 있음을 보여준다. 그 결과, 정리도 판별기와 MCTS 기반 정리 계획기를 통합하여 최적의 정리된 배치를 찾는 TSMCTS를 제안한다. TSMCTS는 커피 테이블, 식탁, 사무용 책상, 욕실을 포함한 다양한 환경에서 그 수행 능력을 성공적으로 입증하였다. TTU 데이터셋은 다음에서 제공된다: https://github.com/rllab-snu/TTU-Dataset.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.