Iepazīstieties ar vēl veiklāko robotu

Kalifornijas Universitātes Bērklijā koši iekārtotajā laboratorijā parasta izskata robots ir attīstījis izcilu prasmi paņemt neērtus un neparastus priekšmetus. Tomēr satriecoši ir tas, ka robots tik labi spēja uztvert, strādājot ar virtuāliem objektiem.

Izpētot plašu 3-D formu datu kopu un piemērotus satvērējus, robots uzzināja, kāda veida satvērienam vajadzētu darboties dažādiem priekšmetiem. UC Berkeley pētnieki ievadīja attēlus lielam dziļas mācīšanās neironu tīklam, kas savienots ar 3D sensoru un standarta robota roku. Kad tam priekšā tiek novietots jauns objekts, robota dziļās mācīšanās sistēma ātri izdomā, kāds satvēriens rokai būtu jāizmanto.

Bots ir ievērojami labāks nekā jebkas, kas izstrādāts iepriekš. Pārbaudēs, kad tas bija vairāk nekā 50% pārliecināts, ka var satvert objektu, tam izdevās priekšmetu pacelt un sakratīt, nenometot objektu 98% gadījumu. Ja robots nebija pārliecināts, tas iedūra objektu, lai labāk saprastu. Pēc tam tas veiksmīgi pacēla to 99 procentus laika. Tas ir nozīmīgs solis uz priekšu salīdzinājumā ar iepriekšējām metodēm, saka pētnieki.

Saistīts stāsts

Vajag izlasīt

Darbs parāda, kā jaunas pieejas robotu apguvei apvienojumā ar robotu spēju piekļūt informācijai, izmantojot mākoni, varētu uzlabot robotu iespējas rūpnīcās un noliktavās un pat ļaut šīm mašīnām veikt noderīgu darbu jaunos apstākļos, piemēram, slimnīcās un mājas (skatiet 10 Breakthrough Technologies 2017: Robots That Teach Other). Tas ir aprakstīts a papīrs tiks publicēts nozīmīgā robotikas konferencē, kas notika šā gada jūlijā.

Daudzi pētnieki strādā pie veidiem, kā roboti iemācītos uztvert un manipulēt ar lietām, praktizējot atkal un atkal, taču process ir ļoti laikietilpīgs. Jaunais robots mācās bez nepieciešamības vingrināties, un tas ir ievērojami labāks par jebkuru iepriekšējo sistēmu. Mēs gūstam labākus rezultātus, taču bez šāda veida eksperimentiem, saka Kens Goldbergs , profesors UC Berkeley, kurš vadīja darbu. Mēs esam ļoti satraukti par to.

Kalifornijas Universitāte Bērklijā, profesors Kens Goldbergs (pa kreisi) un Siemens pētniecības grupas vadītājs Huans Aparicio.

Tā vietā, lai trenētos reālajā pasaulē, robots mācījās, barojoties ar vairāk nekā tūkstoš objektu datu kopu, kas ietver to 3-D formu, vizuālo izskatu un to uztveršanas fiziku. Šī datu kopa tika izmantota, lai apmācītu robota dziļās apmācības sistēmu. Mēs varam ģenerēt pietiekami daudz apmācības datu dziļiem neironu tīkliem vienas dienas laikā, nevis veikt vairākus mēnešus ilgus fiziskus izmēģinājumus ar īstu robotu, saka Džefs Mālers, pēcdoktorantūras pētnieks, kurš strādāja pie projekta.

Goldbergs un kolēģi plāno izlaist izveidoto datu kopu. Publiskās datu kopas ir bijušas svarīgas, lai uzlabotu datorredzes progresu, un tagad jaunas 3-D datu kopas sola palīdzēt robotiem virzīties uz priekšu.

Stefānija Tellex , Brauna universitātes docents, kurš specializējas robotu apguvē, pētījumu raksturo kā lielu darījumu, norādot, ka tas varētu paātrināt darbietilpīgas mašīnmācības pieejas.

Ir grūti savākt lielas robotizētu datu datu kopas, saka Tellex. Šis raksts ir aizraujošs, jo parāda, ka simulētu datu kopu var izmantot, lai apmācītu modeli uztveršanai. Un šis modelis nozīmē reālus panākumus fiziskā robotā.

Vadības algoritmu un mašīnmācības pieeju sasniegumi kopā ar jaunu aparatūru nepārtraukti veido pamatu, uz kura darbosies jaunās paaudzes roboti. Šīs sistēmas spēs veikt daudz plašāku ikdienas uzdevumu klāstu. Izveicīgākas mašīnas faktiski jau izmanto roku darbu, kas ilgu laiku ir bijis nepieejams (skatiet sadaļu Robots ar galvu mākoņos, kas nodarbojas ar noliktavas komplektēšanu).

Russ Tedrake MIT profesors, kurš strādā ar robotiem, saka, ka vairākas pētniecības grupas gūst panākumus daudz spējīgāku, veiklāku robotu izstrādē. Viņš piebilst, ka UC Berkeley darbs ir iespaidīgs, jo tas apvieno jaunākas mašīnmācības metodes ar tradicionālākām pieejām, kas ietver argumentāciju par objekta formu.

Izveicīgāku robotu parādīšanās var radīt arī ievērojamas ekonomiskās sekas. Mūsdienās rūpnīcās atrodamie roboti ir ārkārtīgi precīzi un apņēmīgi, taču neticami neveikli, saskaroties ar nepazīstamu objektu. Vairāki uzņēmumi, tostarp Amazon, noliktavās izmanto robotus, taču līdz šim tikai produktu pārvietošanai, nevis objektu atlasei pasūtījumiem.

UC Berkeley pētnieki sadarbojās ar Huanu Aparicio, Siemens pētniecības grupas vadītāju. Vācu uzņēmums ir ieinteresēts mākoņa robotikas komercializēšanā, kā arī citām saistītām ražošanas tehnoloģijām.

Saistīts stāsts

Lasiet Tālāk Izveicīgs jauns robotizēts satvērējs var manipulēt ar nepazīstamiem objektiem, un tas dalās tajā, ko tas mācās, ar stropu prātu mākonī.

Aparicio saka, ka pētījums ir aizraujošs, jo rokas uzticamība piedāvā skaidru ceļu uz komercializāciju.

Mašīnu veiklības attīstība var būt nozīmīga arī mākslīgā intelekta attīstībai. Manuālajai veiklībai bija izšķiroša nozīme cilvēka intelekta attīstībā, veidojot vērtīgu atgriezeniskās saites cilpu ar asāku redzi un palielinot smadzeņu jaudu. Šķiet, ka spēja efektīvāk manipulēt ar reāliem objektiem noteikti spēlē lomu arī mākslīgā intelekta evolūcijā.

paslēpties