Google, robotların bulutta ortaklaşa öğrenmesine izin veriyor, yeni beceriler verimli bir şekilde kazanıyor
Evet! Google Brain ekibinden Sergey Levine ve Alphabet'ten DeepMind ve Google X Lab'dan uzmanlar, birkaç gün önce bir blog yazısı yayınlamak için birlikte çalıştılar ve "çok robotlu genel beceri öğrenimi" adlı bir mekanizma oluşturacaklarını söylediler.
Hepimizin bildiği gibi, robotlara günlük yaşamdaki en temel şeylerden bazılarını yapmak için rehberlik etmek, onlarca yıldır tüm robotikçileri rahatsız ediyor. Google bilim adamları, bu sorunu çözmek için iki popüler teknolojik yeniliğin büyük haber yapıp yapamayacaklarını görmek için güçlerini birleştirmesine izin vermeye karar verdi. Biri bulut robotları - bu kavram, robotların çevrimiçi olarak veri ve becerileri paylaşabileceğine inanıyor; diğeri ise robotların otonom bir şekilde öğrenmesine izin veren derin sinir ağlarının uygulaması olan makine öğrenimidir.
Bilim adamları tarafından yapılan bir dizi deneyde, bağımsız bir robotik kol, belirli bir görevi sürekli olarak tekrarlayacaktır. Beklendiği gibi, uzun süreli görev yürütme sürecinde, her robotun teknik seviyesi bir ölçüde iyileştirilecek, dış ortama uyum sağlamayı ve kendi hareketindeki küçük değişiklikleri öğrenebilmesi şaşırtıcı değildir. Ancak Google ekibi bundan memnun değildi. Robotlar tarafından öğrenilen bu deneyimleri büyük bir veritabanına girerler ve ondan beceri modelleri oluştururlar.Bu şekilde robotlar görevleri daha hızlı ve daha iyi tamamlayabilir.
"Robotlar tarafından öğrenilen beceriler (nesneleri itmek, kapıları açmak vb.) Hala nispeten basittir, ancak hızlı ve verimli toplu öğrenme yoluyla, robotların eylemleri gelecekte daha zengin olacak ve böylece insanlara çeşitli Her türlü yardım. "
Daha önce, Levine ve Google X Lab'den meslektaşları, derin öğrenme ağlarının robotların nesneleri kavramayı öğrenmesine nasıl yardımcı olabileceğini gösterdiler. Bu çalışmada, bir grup robotik kol yaklaşık 80.000 kez kaşınmaya devam etti ve bu çılgınlıktı. Her zaman ilk başta başarısız olsalar da, başarı oranı, sinir ağının sürekli eğitimi sayesinde önemli ölçüde artırıldı.
Yakın zamanda yapılan bir deneyde, Google bilim adamları üç farklı senaryoyu test etti.
İlk senaryoda, robot motor becerilerini doğrudan deneme yanılma uygulamasından öğrenir. Her robot bir dizi sinir ağıyla başlar ve kapıyı arka arkaya açmaya çalışır. Arada bir, bu robotlar performans verilerini merkezi sunucuya iletecek ve bu da verileri egzersiz ve başarı oranı arasındaki ilişkiyi daha iyi analiz etmek için yeni bir sinir ağı oluşturmak için kullanacak. Daha sonra, bu sunucu güncellenmiş sinir ağını robota iletecek. Bilim adamları, "Bu güncellenmiş ağ, hareketin genliğini daha doğru tahmin ettiği için robotlar daha iyi performans gösterecek" diye yazdı. "Bu süreç sonsuza kadar tekrarlanabilir, böylece robotun görevleri yerine getirme yeteneği sürekli olarak geliştirilebilir."
İkinci senaryoda, bilim adamları robotların nesnelerle nasıl etkileşime gireceklerini öğrenebileceklerini umuyorlar.Bu etkileşim süreci deneme yanılma uygulamasıyla sınırlı değildir, aynı zamanda iç nesnelerin, ortamların ve kendi davranışlarının dahili modellerini oluşturmayı da içerir. Örneğin, az önce bahsedilen kapı açma görevinde, her robot kendi sinir sistemine sahip olacak ve çeşitli nesnelerle etkileşime girecekler. Bu robotlar deneyimlerini paylaşacak ve ardından bilim insanlarının kendileriyle etkileşime giren nesneleri daha iyi anlamalarına olanak tanıyan "bireysel tahmin modelleri" olarak adlandırdıkları şeyleri oluşturmak için birlikte çalışacaklar. Tek bir robotla benzer bir tahmin modeli oluşturabilirsiniz, ancak birçok robotun deneyimini entegre ederseniz, süreç çok daha hızlı olacaktır.
Üçüncü senaryoda, robot öğrenme sürecinde insanlardan yardım alacak. Bilirsiniz, insanlar dış nesnelerle ve tüm dünyayla etkileşime girdiklerinde her zaman çok fazla sezgiye sahiptir. Bazı kontrol becerilerinin yardımıyla, bu sözde sezgileri robotlara aktarabiliriz, böylece bu becerileri daha iyi öğrenebilirler. Deneyde bir bilim insanı, bir grup robotun çeşitli kapıları açmasına yardım ediyor ve merkezi bir sunucu tarafından kontrol edilen ayrı bir sinir sistemi eylemlerini programlayacak. Daha sonra, bu robotlar defalarca bir dizi deneme yanılma uygulaması yapacak ve bu uygulamanın zorluğu yavaş yavaş artacak, böylece sinir ağı yükseltmeye devam edecek. Bilim adamları, "Deneme yanılma öğrenme ile insan rehberliğinin birleşimi, robotların birkaç saat içinde kapıyı nasıl açacaklarını öğrenmelerine olanak tanıyor," diye yazdı. "Robot eğitimi farklı görünümlerle çeşitli kapılar açtığı için belirleyici oyunda. , Robotlar daha önce hiç görmedikleri bir kapı kolu ile bir kapıyı açacaklar. "Bu bilim adamları, küçük abaküs kaydı.
Google ekibi, robotlarının seviyesinin şu anda çok sınırlı olduğuna inanıyor. Ancak robotların ve algoritmaların ilerlemesi ve yaygınlaşmasıyla birlikte, toplu öğrenmenin robotların görevleri yerine getirme becerilerini büyük ölçüde geliştirebileceğini umuyorlar:
Yukarıda bahsedilen üç deneyde, robotların iletişim kurma ve deneyim alışverişi yapma yeteneği, onların daha iyi ve daha hızlı öğrenmelerini sağlar. Özellikle robotik öğrenme ile derin öğrenmeyi bir araya getirdiğimizde, deneyim alışverişinin önemi göz ardı edilemez. Uzun zaman önce, büyük miktarda eğitim verisiyle derin öğrenmenin çok işe yarayacağını biliyorduk. Örneğin, IamgeNet standart denetim programı 1,5 milyondan fazla analiz edilmiş veri kullanır. Ve bu büyük miktardaki veriler birkaç yıl içinde tek bir robot tarafından toplanamaz. Bununla birlikte, birkaç robot birlikte çalışırsa, birkaç hafta içinde aynı miktarda veriyi elde edebiliriz.
Bu araştırma yönüyle ilgileniyorsanız, bu bağlantıya tıklayabilir ve Google Ar-Ge ekibi po tarafından arXiv ile ilgili makaleyi okuyabilirsiniz. Bunlardan ikisi 2017'de ICRA'ya oy verildi.
IEEE Spectrum aracılığıyla
Önerilen Kaynaklar:
Büyülü becerilerle uzaya girmek, en havalı dört NASA robotu nerede?
Rokid kurucusunun açıklaması: Seçtiğim yolda, soğuk kış sadece başka bir manzara
Tencent Air Shadow YING drone randevu için açık, çıplak metal 1999 yuan
