Laipni lūdzam robotu universitātē (jāpiesakās tikai robotiem)

Robota rokas fotogrāfija Tehniķa kungs

Viens no neapdziedātajiem mākslīgā intelekta revolūcijas varoņiem ir mazpazīstama datu bāze ImageNet . Prinstonas universitātes pētnieku izveidotajā tīklā ImageNet ir aptuveni 14 miljoni attēlu, katrs no tiem ir komentēts ar pūļa tekstu, kas izskaidro attēlā redzamo.

ImageNet ir svarīgs, jo tā ir datu bāze, ko daudzi mūsdienu jaudīgie neironu tīkli izmanto. Neironu tīkli mācās, aplūkojot attēlus un pievienoto tekstu, un jo lielāka datubāze, jo labāk viņi mācās. Bez ImageNet un citām līdzīgām vizuālo datu kopām pat visspēcīgākie neironu tīkli neko nespētu atpazīt.

Tagad robotiķi saka, ka vēlas izmēģināt līdzīgu pieeju ar video, lai mācītu saviem lādiņiem mijiedarboties ar vidi. Sudeep Dasari no Kalifornijas universitātes Bērklijā un kolēģi veido datubāzi ar nosaukumu RoboNet, kas sastāv no anotētiem video datiem par robotiem, kas darbojas. Piemēram, dati var ietvert daudzus gadījumus, kad robots pārvieto krūzi pa galdu. Ideja ir tāda, ka ikviens var lejupielādēt šos datus un izmantot tos, lai apmācītu robota neironu tīklu, lai pārvietotu arī krūzi, pat ja tas nekad iepriekš nav mijiedarbojies ar krūzi.

Dasari un citi cer izveidot savu datubāzi resursā, kas var iepriekš apmācīt gandrīz jebkuru robotu veikt gandrīz jebkuru uzdevumu — sava veida robotu universitāti, ko komanda sauc par RoboNet.

Līdz šim robotiķiem ir bijuši ierobežoti panākumi, mācot saviem darbiniekiem orientēties un mijiedarboties ar vidi. Viņu pieeja ir standarta mašīnmācīšanās tehnika, ko ImageNet palīdzēja popularizēt.

Viņi vispirms ieraksta veidu, kā robots mijiedarbojas ar, piemēram, otu, lai pārvietotu to pa virsmu. Pēc tam viņi uzņem daudz vairāk video par tā kustību un izmanto datus, lai apmācītu neironu tīklu par to, kā vislabāk veikt darbību.

Protams, triks ir iegūt daudz datu — citiem vārdiem sakot, neskaitāmas stundas video, no kā mācīties. Un, kad robots ir apguvis suku kustināšanu, tam ir jāiziet tā pati mācīšanās procedūra, lai pārvietotu gandrīz jebko citu, neatkarīgi no tā, vai tā ir karote vai brilles. Ja vide mainās, šīm mācību sistēmām parasti viss jāsāk no jauna.

Dasari un citi saka, ka ierastā prakse no jauna vākt datus no jauna katrai jaunai videi būtībā nozīmē pamatzināšanu no jauna apgūšanu par pasauli — tas ir nevajadzīgs darbs.

RoboNet to apiet. Viņi saka, ka mēs piedāvājam RoboNet — atvērtu datubāzi robotu pieredzes apmaiņai. Tātad jebkurš robots var mācīties no cita pieredzes.

Lai iedarbinātu datubāzi, komanda jau ir ierakstījusi aptuveni 15 miljonus video kadru ar uzdevumiem, izmantojot septiņus dažāda veida robotus ar dažādiem satvērējiem dažādās vidēs.

Dasari un citi turpina parādīt, kā izmantot šo datubāzi, lai iepriekš apmācītu robotus veikt uzdevumus, ko viņi nekad iepriekš nav mēģinājuši. Un viņi saka, ka roboti, kas apmācīti ar šo pieeju, darbojas labāk nekā tie, kas parasti ir apmācīti, lai iegūtu vēl vairāk datu.

The RoboNet dati ir pieejams ikvienam lietošanai. Un, protams, Dasari un citi cer, ka citas pētnieku komandas sāks sniegt savu ieguldījumu, lai padarītu RoboNet par plašu robo-mācību resursu.

Tas ir iespaidīgs darbs, kam ir ievērojams potenciāls. Šis darbs ir pirmais solis ceļā uz robotizētu aģentu izveidi, kas var darboties dažādās vidēs un dažādās aparatūrā, saka komanda.

Protams, priekšā ir ievērojami izaicinājumi. Piemēram, pētniekiem ir jāizstrādā, kā vislabāk izmantot datus — žūrija joprojām ir izvēlējusies visefektīvākos apmācības režīmus. Mēs ceram, ka RoboNet iedvesmos plašākas robotikas un pastiprināšanas mācību kopienas izpētīt, kā mērogot pastiprināšanas mācību algoritmus, lai tie atbilstu reālās pasaules sarežģītībai.

Rezultāts ir gan iespaidīgs, gan pārdomas rosinošs: sava veida robotu universitāte, kas var dot jebkuram robotam nepieciešamās prasmes.

ImageNet ir bijis galvenais faktors, lai padarītu mašīnredzi tikpat labu objektu atpazīšanā kā cilvēkiem. Ja RoboNet veiksies tikai uz pusi mazāk, tas būs iespaidīgs ieguvums.

Atsauce: arxiv.org/abs/1910.11215 : RoboNet: liela mēroga vairāku robotu apmācība

paslēpties