211service.com
Mazais robots mācās stāvēt, iztēlojoties, kā to izdarīt
Tāpat kā daudzi mazi bērni, Darvins dažreiz izskatās nedaudz nestabils uz kājām. Taču ar katru neveiklo kustību humanoīdais robots demonstrē svarīgu jaunu veidu, kā androīdiem tikt galā ar sarežģītām vai nepazīstamām vidēm. Robots mācās veikt jaunu uzdevumu, izmantojot procesu, kas ir nedaudz līdzīgs neiroloģiskajiem procesiem, kas ir bērnības mācīšanās pamatā.
Darvins mēģina pārvietot savu rumpi vairāku neironu tīklu kontrolē.
Darvins dzīvo laboratorijā Pīters Ebīls , asociētais profesors Kalifornijas Universitātē Bērklijā. Kad pirms dažām nedēļām ieraudzīju robotu, tas tika piekārts pie kameras statīva ar virves gabalu, izskatījās mazliet traģiski. Nedaudz agrāk Darvins bija grozījies pa virves galu, cenšoties izdomāt, kā vislabāk kustināt tās ekstremitātes, lai pieceltos kājās, neapgāžot.
Darvina kustības kontrolē vairāki simulēti neironu tīkli — algoritmi, kas atdarina veidu, kā mācīšanās notiek bioloģiskajās smadzenēs, jo savienojumi starp neironiem laika gaitā nostiprinās un vājinās, reaģējot uz ievadi. Šī pieeja izmanto ļoti sarežģītus neironu tīklus, kas ir pazīstami kā dziļās mācīšanās tīkli, kuriem ir daudz simulētu neironu slāņu.
Piemēram, lai robots iemācītos stāvēt un pagriezt savu ķermeni, tas vispirms veic virkni simulāciju, lai apmācītu augsta līmeņa padziļinātas apmācības tīklu, kā veikt uzdevumu — ko pētnieki salīdzina ar iedomātu procesu. Tas nodrošina vispārējus norādījumus robotam, savukārt otrs dziļās apmācības tīkls ir apmācīts, lai veiktu uzdevumu, reaģējot uz robota locītavu dinamiku un reālās vides sarežģītību. Otrais tīkls ir nepieciešams, jo, kad pirmais tīkls mēģina, piemēram, pārvietot kāju, saskares vietā ar zemi piedzīvotā berze var to pilnībā izmest, izraisot robota nokrišanu.
Robots Darvins veic dažādas darbības pēc virtuālās un reālās mācīšanās.
Pētnieki lika robotam iemācīties stāvēt, kustināt roku, lai veiktu sasniedzamas kustības, un palikt vertikāli, kad zeme zem tā sasveras.
Tā praktizē simulācijā apmēram stundu, saka Igors Mordačs , pēcdoktorantūras pētnieks UC Berkeley, kurš veica pētījumu. Pēc tam izpildes laikā tas mācās, kā nepaslīdēt.
Abbeel grupa iepriekš ir parādījusi, kā dziļa mācīšanās var ļaut robotam veikt uzdevumu, piemēram, izlaist rotaļlietas celtniecības bloku caur formas caurumu, izmantojot izmēģinājumu un kļūdu procesu. Jaunā pieeja ir svarīga, jo ne vienmēr robotam var būt iespējams nodoties plašam testēšanas periodam. Un simulācijām trūkst reālajā pasaulē sastopamās sarežģītības — apstākļi, kas ar robotiem var izraisīt katastrofālu neveiksmi.
Mēs cenšamies tikt galā ar lielāku mainīgumu, saka Abbeel. Pat nelielas atšķirības, kas pārsniedz to, kam tas ir paredzēts, padara to patiešām sarežģītu.
Jaunā tehnika varētu izrādīties noderīga jebkuram robotam, kas strādā visdažādākajās reālās vidēs, taču tas var izrādīties īpaši noderīgs graciozākai kāju kustībai. Pašreizējā pieeja ir izstrādāt algoritmu, kas ņem vērā tāda procesa dinamiku kā staigāšana vai skriešana (skatiet Roboti, kas staigā šādā veidā). Taču šādiem modeļiem var būt grūti tikt galā ar atšķirībām reālajā pasaulē, jo daudzi humanoīdi roboti ir iesaistīti DARPA Robotics Challenge. demonstrēts apkrītot, ejot pa smiltīm, vai izjaukt līdzsvaru, izstiepjot roku, lai kaut ko satvertu (skatiet, kāpēc roboti un cilvēki, cīnījās ar DARPA izaicinājumu). Tā bija mazliet realitātes pārbaude, saka Abbels. Tā tas notiek reālajā pasaulē.
Dīters Fokss Vašingtonas Universitātes datorzinātņu un inženierzinātņu nodaļas profesors, kurš specializējas robotu uztverē un kontrolē, saka, ka neironu tīklu apguvei ir milzīgs potenciāls robotikā. Esmu ļoti sajūsmā par visu šo pētniecības virzienu, saka Fox. Problēma vienmēr ir, ja vēlaties rīkoties reālajā pasaulē. Modeļi ir nepilnīgi. Mašīnmācība un jo īpaši dziļā mācīšanās ir mācīšanās no sistēmas reālās pasaules mijiedarbības.