Hareket edip ağlayan robot sonunda kendi kendine kıyafet katlamayı öğrendi
Görüntü kaynağı @
Metin | Beyin Kutupsal Gövdesi
Bir insan çocuğunun kavrama ve kaldırma gibi en temel spor zekasını ya da yorgan ve elbise katlama gibi ev işlerini kullanmak istiyorsak, neredeyse hiçbir rehberliğe ihtiyaç yoktur.
Çoğu durumda, bebek günlük yaşam durumuna yerleştirildiği ve çevresindeki çevre ve nesnelerle etkileşime girmesine izin verildiği sürece, çoğu, oyun sırasında uzay, yerçekimi ve koordinasyonu yargılama becerisinde otomatik olarak ustalaşabilecektir.
Tersine, robotlar daha "şımarıktır".
Şu anda, çoğu robot kendilerini uyarlayamıyor ve karmaşık ortamlardan genel hareket yeteneklerini öğrenemiyor.
Bu bir sorunu ortaya çıkarır: Robot, programcı tarafından programlanan bazı eylemleri tamamlamak için yalnızca "beceriksiz" olabilir ve tek bir beceriyi tamamlamak için tek bir nesne kullanabilir.Bu özel görev ve aksesuarlar, kendi dünyasıdır. Örneğin bardağı uzatırsan yorganı katlayamazsın.
Bu, yalnızca belirli bir görevin üstesinden gelmek için binlerce robot tasarlamak zorunda kalabileceğimiz anlamına gelir. Bu gerçekten aptalca. Bununla birlikte, makinelerin dünyayı özerk bir şekilde algılamayı öğrenmesine ve ortamdaki değişikliklere yanıt olarak karşılık gelen eylemleri yapmasına izin vermek büyük bir proje.
Son zamanlarda, Berkeley Üniversitesi, çok yönlü robotları mümkün kılmak için görsel modellere dayalı pekiştirmeli öğrenme olan yeni bir algoritma geliştirdi.
Başka bir deyişle, aslında insanlara ait olan "meta-spor zekasının" da makinelerde kilidinin açılması bekleniyor.
Robot, genel becerilerde ustalaşma ve bunları "deneyim" olarak içselleştirme becerisine sahip olduğunda ve her seferinde yeniden öğrenmek veya programlamak zorunda kalmadan çeşitli benzer görevleri esnek bir şekilde gerçekleştirebildiğinde, beklentiler açıkça şaşkınlığa değerdir.
Peki böyle mucizevi bir şey nasıl oldu?
Yeni algoritma makinenin çalışmasını nasıl yönlendiriyor?
Kısacası, bu algoritma etiketlenmemiş bir duyusal veri kümesi kullanarak Meksika'yı tahmin edebilir, makinenin çok sayıda farklı görüntüyü özerk bir şekilde öğrenmesine ve ardından görevleri tamamlarken daha esnek bir şekilde tahmin edip karar vermesine olanak tanır. Bu şekilde, her bir nesne veya her görev için yeniden öğrenmeye gerek kalmadan, çeşitli farklı nesneler üzerinde birçok farklı görevi gerçekleştirebilir.
Berkeley Üniversitesi'ndeki araştırmacıların gözünde, bu genel atletik yeteneği tek bir modda elde edebilmek, zekanın temel bir tezahürüdür.
Peki, bu yöntem robota işi tamamlaması için nasıl rehberlik ediyor?
İlk olarak, araştırmacılar robot için belirli bir nesne veya belirli bir beceri ile sınırlı olmayan devasa ve renkli bir veri seti hazırlar;
Ardından robot, görüntü piksellerini (vizyon), kol pozisyonunu (kendini hissetme) ve motor komutları (eylem) göndermeyi algılayabilen çeşitli sensörlerle donatılmıştır.
Bu hazırlıkları tamamladıktan sonra, iki robotun aynı anda kaynak kitaplığında veri toplayıp bağımsız olarak öğrenmesine ve gerçek zamanlı olarak paylaşmasına izin verin.
İki robot birbirlerinin duygularını ve verilerini paylaşabildikleri için, bir sonraki kolun hareket rotasını tahmin etme yeteneğinde ustalaşmışlardır, böylece hareketin hareket aralığı, farklı türdeki nesneleri çalıştırmanın çeşitli görevlerini tamamlamak için daha fazla esnekliğe sahiptir. .
Örneğin, bir makinenin elma gibi katı nesneleri ve giysi katlamak gibi esnek nesneleri hareket ettirmesini bitirmesine izin verdiler.Robotlar iyi performans gösterdi.
Dahası, daha önce hiç görülmemiş hedefler karşısında bile, yapılan tahminler insanlar kadar mükemmel olmasa da, yine de belirtilen görevleri etkin bir şekilde tamamlayabilirler.
Örneğin aşağıdaki resimde araştırmacı tarafından verilen görev, ortasına robotun yaptığı planla birlikte bir tabağa bir elma koymak ve ardından yürütmektir.
Bu algoritmik model, fikrinde kesinlikle benzersizdir. Uzun bir süre için, beklenen sonuçlara göre eylem planını planlamak ve planı gerçek zamanlı olarak farklı adımlara ve gözlemlere dayanarak yinelemek ve iyileştirmek, karmaşık dünyada beklenmedik durumlarla başa çıkmak için insanların benzersiz becerileridir. Günümüzde robotların da bu tür "yüksek zekalı" oyunları öğrenmesi bekleniyor ve uygulanabilirliğin getirdiği değişiklikler gerçekten heyecan verici.
Makine verimliliğinin koordinat sisteminin yeniden yapılandırılması: yeni modelin uygulama senaryoları
Gerçek ortam karmaşık ve çeşitlidir. Robotun çevreye uyumluluğunu geliştirir ve görev yürütmeyi daha esnek hale getirir. Bu yeni algoritma, robot uygulamalarına büyük bir hayal gücü getirir.
En büyük parlak nokta, makinenin işlev varsayımının gerçeklikle daha uyumlu olmasıdır. Genel yetenekler, farklı görevlere kolaylıkla aktarılabilir ve belirli görevleri tamamlamak için geliştirilmesi ve devreye alınması gereken algoritma sayısını büyük ölçüde azaltır.
Görünüşe göre yeni model, robotların performansında en azından aşağıdaki alanlarda devrim yaratacak:
1. Müşteri hizmetleri robotu. Çoğu müşteri hizmetleri robotu ortama uyarlanamaz ve programcıların çeşitli durumları hesaba katmasını gerektirir ve hatta bazıları arka planda onlarla doğrudan etkileşime girer. Ancak genel model algoritması ile robot, insan kullanıcılarla etkileşimde özerk bir şekilde öğrenebilir, bazı açık sorunları çözmeyi öğrenebilir ve daha otonom ve esnek hale gelebilir.
2. Tıbbi makine. Şu anda tıbbi robotlar, cerrahi görevlerin tamamlanmasına yardımcı olmak için yalnızca doktorun ellerinin bir uzantısı olarak kullanılabilir. Yüksek hassasiyetli ameliyatı bağımsız olarak gerçekleştirmek ve doktorların iş gücünün azaltılmasına yardımcı olmak için tıbbi robotlar, ameliyat sahasının mekansal konumunu algılayabilmeli ve daha karmaşık ve karmaşık operasyonları idare edebilmelidir.Yeni model açıkça daha fazla olanak sağlar.
3. Endüstriyel makineler. Endüstriyel robotlar halihazırda belirli bir derece çok yönlülüğe ve uyarlanabilirliğe sahiptir, ancak genellikle çalışma ortamlarının değişen ihtiyaçlarına göre yeniden programlanmaları veya farklı görevleri yerine getirmek için farklı operatörleri değiştirmeleri gerekir ki bu da belirli maliyetler getirir. Yeni algoritma gerçekten uygulanırsa, endüstriyel üretimin maliyeti ve verimliliği düşecektir.
4. Kişiselleştirilmiş video üretimi. Bu algoritma, gerçek dünyadaki eylem algısı ve anlayışı anlamanın yanı sıra video oluşturma alanında da oldukça geniş bir alana sahiptir. Örneğin sistem, işaretlenmesi gerekmeyen çok sayıda video kaynağı aracılığıyla bağımsız olarak öğrenebilir ve videodaki karakterlere göre duruş tanıma ve taklit gerçekleştirebilir, bu da yapay zekanın yüksek kişilikli videoları uyarlamasını mümkün kılar.
Halen genel becerilere sahip makinelerin birçok uygulaması vardır ve bunların arkasındaki ticari beklentiler de çok geniştir Sonuçta, verimlilik insanların makineleri icat etmesinin asıl amacıdır.
Meyveyi tatmadan önce hangi zorlukların üstesinden gelinmesi gerekiyor?
Bu kadar çok şey söyledim, yeni algoritmanın uygulanmasının zor olmadığını ve uygulama tarafının da yeterli desteği olduğunu hissediyorum. Yakında gerçek olacak mı?
Şu anda, "şeftali toplamadan" önce, algoritmanın pratik uygulamasını engelleyebilecek bazı özel kısıtlamaları vardır.
Biri gereken eğitim verisi miktarıdır. Makine, tamamen büyük ve çeşitli veri kümelerine dayanan gerçek yürütülebilir tahminler yapar.
Araştırmacılar, makinenin bir sonraki piksel hareketini önceki çerçevenin tahmin edilen hareket dağılımına göre hayal etmesine ve simüle etmesine izin vermek için, büyük ölçekli kendi kendini denetleyen öğrenme için 59.000 robot etkileşim veri seti tanıttı.
Maliyet kontrolü altında devasa ve yüksek kaliteli veri kaynaklarının nasıl elde edileceği muhtemelen algoritmaların uygulanması için bir numaralı eşik olacaktır.
İkincisi, denetimsiz öğrenmenin neden olduğu bir dizi sorundur. Örneğin, eğitim verilerinde hiçbir etiket ve ödül mekanizması bulunmadığından, robotun belirlenen görevi anlayıp kabul etmesini ve ardından sonuç odaklı eylemle ilerlemesini nasıl sağlayacağı, gerçekte birçok bilinmeyen vardır.
Berkeley'in çözümü, makinenin hedefle ilgilenmesini sağlamak, onu takip etmek ve başarılı olana kadar tekrar denemeye devam etmek için kendi kendini denetleyen bir algoritma kurmaktır. Bununla birlikte, çıktının stabilize edilip edilemeyeceği daha fazla ek araştırma gerektirir.
Başka bir örnek olarak, denetimsiz makinelerin yaptığı tahminler bağımsız deneyime sahip insanlar tarafından açıklanamaz, optimum iletim şeması olmayabilir veya "kara kutu" öngörülemeyen riskler getirebilir.
"Meta-zekamızın" nasıl çalıştığını anlamadığımızda, makinenin "meta zekasının" iyi kontrol edilebilmesini nasıl sağlayabiliriz?
Sonuç olarak, bu algoritma şaşırtıcı olsa da mükemmel değil. Hayal gücü güzel ve pratiklik fena değil, ancak laboratuvardan ticari sahneye gitmek için hala uzun bir yol var.
Daha heyecan verici içerik için Titanium Media WeChat ID'yi (ID: taimeiti) takip edin veya Titanium Media Uygulamasını indirin
