Ge Xiaoyu: Aracılara Uygulanan Mekansal Fizik Nitel Akıl Yürütme Teknolojisi AI Araştırma Topluluğu 56. Maymun Masa Toplantısı
Son yıllarda, yapay zeka teknolojisi hızla ilerledi ve gittikçe daha fazla robot dünyamıza giriyor. İnsanlar gibi, robotların da günlük görevleri yerine getirirken genellikle belirli uzamsal fiziksel muhakeme yeteneklerine sahip olması gerekir. Bu yeteneğe sahip olmak, yalnızca robotların belirlenen görevleri tamamlamasına izin vermekle kalmaz, aynı zamanda görevleri yerine getirirken insanlara potansiyel olarak zararlı olan davranışlardan kaçınmalarına da olanak tanır.
Uzamsal fizik muhakemesi önemli ve ilginç bir alandır. Son zamanlarda, Avustralya Ulusal Üniversitesi'nden Dr. Xiaoyu Ge, herkesin nitel fiziksel muhakemeyi anlamasına ve Leifeng.com AI Araştırma Enstitüsü'nün açık sınıfında eğlenceyi deneyimlemesine yol açtı. Açık sınıf oynatma video URL'si:
Ge Xiaoyu: Dorabot algoritma ekibi başkanı, Ph.D., Avustralya Ulusal Üniversitesi, Bilgisayar Bilimi, Yapay Zeka Bölümü. Danışmanı Jochen Renz. Ana araştırma yönü uzamsal fizik muhakemesidir. Araştırma sonuçları IJCAI, AAAI, ECAI ve KR'de yayınlanmıştır.
Konuyu paylaş: Temsilcilere uygulanan mekansal fizik nitel akıl yürütme teknolojisi
Ana hatları paylaşın:
1. Uzamsal fiziksel muhakeme neden önemlidir?
2. Uzamsal fizik muhakemesinin arka planı ve statükosu
3. Nitel mekansal fiziksel muhakemenin geleceği
4. AI Kuşları Yapay Zeka Yarışması (www.aibirds.org)
5. Robotik alanında uygulama (Dorabot ile ilgili)
Leifeng.com AI Araştırma Enstitüsü paylaşım içeriğini şu şekilde düzenler:
Bu seferki konumuz: Ajanın mekansal fiziksel muhakemesi. İngilizce adı Agent olan Agent, bazı yapay zeka algoritmalarını kullanarak bir şeyler yapabilir, kendi algısı ve planlamasıyla çevre ile etkileşime girebilir. Uzamsal fizik muhakemesi, gözlemlediğimiz uzaydan ve fiziksel bilgilerden bazı yararlı bilgilerin girişini ifade eder.
Herkes birçok terimin İngilizce'de ana sözcükler olduğunu bilir. Zaman kısıtlamaları nedeniyle ve açıklamanın doğruluğunu sağlamak için İngilizce PPT daha sonra kullanılır.
Bugünkü konumuz Motive Etmeye odaklanıyor. İlk olarak, neden uzamsal fiziksel muhakemeye ihtiyacımız olduğunu tartışın.
Robotlar gibi donanım şekilleri de dahil olmak üzere AI Aracıları yavaş yavaş hayatımıza giriyor. Genellikle daha önce yazılımda varlar ve gerçeklik üzerinde çok az etkiye sahipler, ancak gerçek hayata girmek hayatlarımızı etkileyecek. Bazı hatalar belirdiğinde Ya da içinde bulundukları ortamı tam olarak anlayamazlarsa, insanları tehlikeye atan bazı davranışlar sergileyebilirler. Ve gerçek dünyamız alan ve fiziksel unsurlarla dolu. Bir şeyleri taşımak, bagajları paketlemek, su ve şarap dökmek gibi genellikle yaptığımız bazı şeyler, uzay ve fizikle başa çıkabilmeli ve robotlar gerçek dünyaya girdikten sonra, Bu tür bir uzaysal fiziksel işleme yeteneğine sahiptir.
Herkese bir soru sorun: Bu sorunları çözmeyi nasıl düşünüyorsunuz?
Bir yol, zihninizde simülasyon yapmak, sonuç çıkarmak ve hayal etmektir. Sağdaki sabit makaranın şematik diyagramına bakın, bu ipliği elimle çektiğimde herkes aşağıdaki kutunun nasıl hareket edeceğini merak edecek. Şu anda simülasyon yapıyoruz ve şöyle düşünüyoruz: Bu çizgiyi sürüklediğimde bu tekerlek yukarı gelecek, alt ve alt tekerlekler de yukarı gelecek ve sonunda kutu takip edecek.
Bu gözlemden yola çıkarak, bu bir teori oluşturmuştur: İnsan beynimizde bir Nosiy Newton Simülatörü olabilir. Ne zaman akıl yürütsek onu kullanırız.
Durum karmaşıklaştığında ne yapacağız? PPT dişlilerinin altındaki resme bakabilirsiniz .. Bir kişi ön kolu salladığında, vites sağa nasıl dönecek? Saat yönünde mi yoksa saat yönünün tersine mi? Bu problemle karşılaştığımızda, dişlilerin nasıl hareket edeceğini hesaplamak için ellerimizi, kalemlerimizi ve beynimizi kullanacağız. Hegarty, bu iki yöntemi mükemmel bir şekilde harmanlamak için bir teori ortaya koyar.
Bir robot bu dünyaya geldiğinde, hangi yeteneklere ihtiyaç duyar?
Birincisi, dünyanın mekânını ve fiziksel özelliklerini anlaması gerekiyor ve sonra uzaydaki değişiklikleri anlayabiliyor ve bu değişiklikler genellikle fiziksel etkileşim yoluyla üretiliyor. Son olarak, eylemin sonucunu bilmesi gerekir.
Örneğin, bir kule inşa etmek için yapı taşları kullanıldığında, kuleye bir blok yerleştirilirse, bloğun kuleye nasıl bir etkisi olacaktır? Öncelikle bloğun ve kulenin yapısının doğasını ve bu eylemin yaratabileceği mekansal değişimi anlamalıyız, böylece bloğun kule üzerinde ne gibi bir etkisi olacağını tahmin edebiliriz.
Son yıllarda, akademik topluluk Akıllı Fiziksel Sistemleri teşvik ediyor (burada doğrudan robot terimini kullanıyoruz). Her şeyden önce, robotun eylemleri gerçekleştirmesine izin vermeden önce güvende olması gerekir.Eğer yanında durursanız ve yürütme yolunu etkilerseniz, size zarar verebilir.O halde hedeflerinin sonuçlarını bilmeleri gerekir. Üstelik dünyamız süreklidir ve sonsuz eylemler vardır mesela robotun masaya su koymasını istediğimizde onun koordinatlarına ihtiyacımız var ve bu koordinatın olanakları da sonsuz. Ek olarak, robotun algısı kusurludur, bu nedenle robot yaptığı eylemin beklediğinden farklı olduğunu anladığında, dünya görüşünü ayarlaması gerekir.
AI ortaya çıktığında nitel fizik ortaya çıktı. Araştırmacılar, çeşitli fiziksel ve mekansal sorunları tanımlamak için nitel dil kullanırlar. 90'ların sonunda yavaş yavaş sustu.
Peki akademik çevreler neden bununla yeniden ilgileniyor? Mevcut çağımız nedeniyle, donanım ve makine öğrenimi teknolojileri hızla gelişiyor ve endüstriyel endüstrilerde gittikçe daha fazla robot kullanılıyor ve bazıları sivillerde kullanılıyor. Ticarileştirmenin teşvik edilmesi ve teknolojinin gelişmesi, bizi nitel fiziğin çok zor alanını dört gözle bekletti.
Nitel fizik, fiziksel sistemi sembolik bir dilde ifade etmektir, böylece bu sistemin davranışını tahmin etmek için bazı algoritmalar ve doğrulama yöntemlerini kullanabiliriz. Bu sembolik dil mükemmelleştirildiğinde, gelecekte herhangi bir zamanda sistemin davranışını tahmin edebiliriz - sistemin hiçbir şey yapmayacağını, hiçbir şey yapmayacağını tahmin edebiliriz.
Fiziksel muhakeme neden bu kadar zor bir sorundur?
Birincisi, hesaplama karmaşıklığının çok yüksek olmasıdır, birkaç örnek verin:
Işınları izleyen ilk kişi. Uzayda belirli bir noktada bir ışık huzmesi vurun Uzayda mercekler ve engeller olduğunu varsayarsak, ışık kırılır ve yansıtılır.Gelecekte belirli bir noktada ışığın konumunu tahmin etmek istediğimizde bu problem tam bir Turing problemidir. Yani artık Turing makinesini ışık vererek simüle edebiliriz.
İkinci bilardo sorunu. Bu aynı zamanda bir Turing makinesini simüle etmek için bilardo kullanan tam bir Turing problemidir - topa vurulduğunda, toplar arasında kayıpsız bir çarpışma olduğu varsayılarak, nereye düşeceğini tahmin ettiği matematiksel olarak kanıtlanmıştır. Ergodik hareket teorisine sahiptir, topa sınırsız süre verildiği sürece, top hareket etmeye devam ettiğinde, yörünge bilardo masasını kaplayacaktır. Kuvvet ne kadar büyükse, o kadar çok yürürseniz, kapsama alanı o kadar büyük olur ve top burada hacimsiz bir noktadır. Elbette, topun ilk yönünün yanlış seçilmesi de dairesel bir yörüngeye neden olacaktır.
Üçüncü fiziksel akıl yürütme problemi: Örneğin, küçük kardeşlerimden biri Angry Birds'ün NP-zor bir problem olduğunu kanıtladı.
Bu üç problemde, bir öngörüde bulunmak bizim için çok zor, bu yüzden planlama ve muhakeme için sonsuz sayıda eylem arasından bir eylem seçmek daha zor bir problemdir.
Aşağıdaki resimde, sol üst resim bir bilişsel bilim deneyidir.Siyah kenarlık, küçük bir topun sağ altta hareket ettiği aşılmaz bir duvardır.Siyah duvar mı yoksa kırmızı duvar mı önce gelir? Hepimiz sonunda kırmızı duvara ulaşacağımızı biliyoruz, ancak simülasyon (tahmin) kullanırsak, rastgele örneklemeye devam edecekler, ancak çoğu durumda sonuç kırmızı bir duvar olacak, ancak duvarda küçük bir delik açtığımda rastgele olarak Örneklemenin mutlaka başarılı olması gerekmez.
Sağ üstteki resim, uzayda hareket eden top sorununu çözen bir uzmandır. Belirli bir yörüngeden sonra, top sonunda hangi yörünge ve durum olacak? Niteliksel fizikte, alanı birkaç alana ayıracağız (sağ altta) Küçük ok, topun bu alanda hareket edebileceği yönü gösterir.Aynı zamanda, bilinmesi gereken kendi kurallarımız ve durum açıklamalarımız da vardır. Sistem, burada genişletilmeyen topun hareket yönünü belirler.Eğer ilgileniyorsanız, lütfen 1980'de Forbus tarafından yazılan bu makaleye bakın. Soldaki resim, 3 boyutlu golf sahasında topun hareketini tahmin etme problemini gösteriyor.Bu, son zamanlarda daha çok dikkat ettiğim bir problem.
Başka bir durumda, Forbus, saatin hareketini simüle etmek için sembolik akıl yürütme ve ifade kullanarak saatleri tanımlamak için Kısıtlı Mekanik'i kullandı.
Parçaları taramak için çok eski bir tarayıcı kullandı (ortadaki resimde gösterildiği gibi) Her dişlinin kendi kimliği ve tam açıklaması vardır (en sağdaki resim) Açıklama, saatin nasıl döndüğünü anlamak için kullanılabilir. Endüstriyel uygulamalarda, niteliksel fiziksel muhakeme genellikle karmaşık bir fiziksel sistemin özelliklerini niteliksel olarak analiz etmek için kullanılır. Hızlı bir şekilde ön kalitatif sonuçlar alabilir. Sonuca göre, daha ayrıntılı simülasyon yapıp yapmayacağınıza karar verin.
İfade yöntemi hakkında biraz konuşun.
Öncelikle yön ayrıştırılıp sembolleştirilebilir.Yön ilişkileri problemi söz konusu olduğunda sol resimde B'nin A'nın S6 yönünde olduğu, sağdaki resimde ise B'nin A'nın sağında olduğu söylenecektir. Aynı zamanda, hem döndürme hem de hesaplama sembolize edilebilir, böylece tam değer elde edilemese bile daha iyi bir çözüm elde edebilirsiniz. Ek olarak, topolojik yapı sembolize edildikten sonra, ayırma, kesişim veya dahil etme gibi iki uzay nesnesi arasındaki topolojik ilişkiyi tanımlayabilir. Örneğin sağdaki resim 2 boyutlu alanı tanımlıyor Robot kutuları çöp tenekesine atmak istiyor. Ayrıca ifade etmek için mekansal ayrıklaştırmayı da benimsiyoruz.Ayrıca bu sahneyi anlatarak model takibi ve resmi doğrulama da yapabiliriz. Çevrenin etkisi.
Sonra muhakeme hakkında konuşun.
Birincisi gerçek muhakeme, yani sınırlı ve yanlış bilgilerde daha yararlı sonuçlar bulabileceğimiz anlamına gelir.
İkincisi, uzaydaki nesneler arasındaki ilişkinin gerçek olup olmadığını ve herhangi bir anormallik olup olmayacağını araştırmak için tutarlılıktır. Sol üstteki durum, olayları ifade etmenin en basit yoludur. Daha önce, A olayının B olayından önce meydana geldiği anlamına gelir, buluşmak, A ve B'nin bitişik olarak meydana geldiği anlamına gelir ve bu böyle devam eder. Sağ alttaki şekil, A ve B arasındaki ilişkiden A ve C arasındaki ilişkiyi ve B ile C arasındaki ilişkiyi gösterir.
Yukarıdakiler nitel fizik hakkındadır ve fiziksel akıl yürütme için, kabul edilebilir çözümler elde etmek için sürekli simülasyon ve olasılık dağılımları ile örnekleme kullanan Simülasyon tabanlı akıl yürütme adı verilen başka bir tür daha vardır. Örneğin kulenin sağa mı sola mı düşeceği sorusunu sorduğumuzda beynimiz sürekli simülasyon ve tahminler yapacak ve sonunda cevabını alacaktır. Ancak yine de bu yöntemle ilgili pek çok sorun vardır: Simülasyonun mükemmelliğe ulaşması zordur ve temel stabil değilse simülasyon sonuçları çok doğru olamaz.
Daha önce Turing'in birçok tamamlanmış probleminden bahsetmiştim, yani eğer ona girdi verirseniz duracak ve cevabı sınırlı bir süre içinde belirleyemeyeceğiz.
Ve bu problem için bir zaman limiti belirlediğimizde, Turing tam problemi yarı Turing problemi veya etkili bir algoritma ile çözülebilen bir problem haline gelir. Karmaşık hesaplamalarla ilgili bir problemle karşılaştığımızda, onu polinom algoritması veya tahmin yoluyla kullanıp çözebilecek bir yapı bulabiliriz.
Bu alanda üzerinde çalıştığımız üç konudan bahsedin:
Eylem tahmin problemi: golf oynamak gibi - topun ilk atışta nereye gideceğini nasıl tahmin edersiniz.
Algılama: Herkes görmenin bir tür algı olduğunu ve algılamanın nesnelerin fiziksel özelliklerini de algılayabileceğini unutmamalıdır.
Planlama: İlk iki problem çözüldükten sonra planlama hakkında konuşabiliriz.Dünyayı ve davranışı anlamalıyız ve son olarak yukarıdaki davranıştan çözümü bulmak için bir algoritmaya ihtiyacımız var.
Mevcut ana akım fiziksel akıl yürütme aşağıdaki dördü içerir:
İlki simülasyon tabanlı muhakeme. Öğrenci Wu'nun 2015 tarihli bu tezinde, bu Küpü elinizle ittiğinizde nesnenin nasıl hareket edeceği sorununu araştırdım. Deneyde, sistem önce fiziksel özelliklerini öğrenmek için bir dizi derin öğrenmeye sahip ve ardından tahmin için yüksek olasılıklı bir sonuç bulana kadar (sürekli) simülasyonlar yapıyor. Son olarak, gerçek sonucu elde etmek, önceki tahminle karşılaştırmak için bu Küpü gerçekten iterek.
İkincisi, simülasyonda derin öğrenme anlamına gelen Transfer öğrenmedir. Bu alan hakkında çok fazla bilgim yok ve bu konuda da pek bir bilgim yok. Ancak, ihtiyacı olan öğrencilerin fiziksel bir simülatör olan Mujoco'yu kullanmalarını tavsiye ederim.
Üçüncüsü, fiziksel muhakeme ile hiçbir ilgisi olmayan, ancak robotlarla ilgili olan Birleşik görev planlamasıdır. Soyut düzeyde nitel çözümler bulmak için nitel fiziğin kullanılmasını ifade eder.Davranışın yürütülebilir olduğunu keşfettikten sonra sayısal çözümün hesaplanması için sayısal model kullanılır.
Dördüncüsü, aynı zamanda ana araştırma alanım olan nitel fiziksel akıl yürütmedir. Alanın arka planı burada tanıtılmayacaktır.Eğer ilgileniyorsanız, Davis'in bu "Fiziksel muhakeme anketine" göz atabilirsiniz. Daha önce yaptığım araştırma, esas olarak algı, hareket, kararlılık için fiziksel akıl yürütmeyi uygulamak ve fiziksel hareketi açıklamaktı. Örneğin, aşağıdaki resimde bir tahta bloğu taşıdım.Hangi bloğun hareket ettiğini bulmak için pasif olabilecek tüm blokları çıkarmak için bu yöntemi kullanabilirim.
Araştırma sırasında bazı metodolojileri özetledim:
Öncelikle, bir problem verildiğinde, iyi bir nitel ifade tasarlamak için çözümü kapsayabildiğinden emin olmalı ve aynı zamanda ifadenin çözümü diğer yanıltıcı çözümlerden ayırt edilebilir olmalıdır.
İkincisi, ifade, akıl yürütme yoluyla bir dizi nitel çözümün elde edilebileceği sınırlı bir ağ oluşturacaktır, ancak çözüm hala çok belirsizdir.
Üçüncüsü, azaltılmış çözüm alanında sayısal hesaplamalar yapın ve son olarak belirli bir çözüm bulun.
Dördüncüsü, çözüm elde edildikten sonra, modelin gerçek ortamdaki geri bildirime dayalı olarak değiştirilmesi gerekir.
Dünyanın dört bir yanından araştırmacıları bu alanı birlikte çalışmaya teşvik etmek için 2012 yılında AI Birds Uluslararası Yapay Zeka Yarışması'nı düzenlemeye başladık.
Oyun seviyelerini birkaç gün önceden ayarlayacağız ve seviyelerde fiziksel muhakeme faktörleri yer alıyor. Ek olarak, bir dizi sunucu da oluşturduk.Tüm AI'lar ayrı dizüstü bilgisayarlarda konuşlandırılır. AI yalnızca sunucudan oyun ekran görüntülerini alabilir. Oyun eylemi, kuşu fırlatmayı ve kuşun becerilerini tetiklemek için ekrana dokunmayı içerir.
Son altı yılda 30'dan fazla ülkeden 40'tan fazla takım yarışmaya katıldı. En iyi performans gösteren takımlar tarafından kullanılan yöntemler şunları içerir:
Mantık programlama: Sahneyi tanımlamak için sembolik dil kullanın ve ardından kazanan bir strateji bulmak için sembolik akıl yürütme yapın.
Sezgisel tabanlı: Güney Koreli ekiplerden biri parametre ayarlama yöntemini kullandı.Son ayar parametreleri çok iyiydi ve iyi sonuçlar elde etti.
Simülasyon: Oyunun fizik motoru açıklanmadığı için katılan takımlar parametreleri bilmiyor.Bu nedenle bazı katılan takımlar Box2D'de benzer bir ortam yazdılar ve oynamak için kendi simülasyonlarını kullandılar, ancak oyun Eylem için birçok olasılık vardır ve en iyi Eylemi çok etkili bir şekilde bulamazlar.
Makine öğrenimi (Makine öğrenimi): 2012 / 2013'te, derin öğrenme henüz işe yaramadı ve herkes genellikle klasik makine öğrenimi yöntemlerini kullanıyor.
Şimdiye kadarki tüm yarışmacıların yapay zekası açgözlü temellidir, yani sadece şu an için en yararlı olanı yaparlar. Örneğin, resimdeki seviyeler karşısında açgözlü algoritma, mevcut en yüksek puanı elde etme, yani mümkün olduğunca çok sayıda mevcut engeli ortadan kaldırma yöntemini benimseyecektir. Ancak mavi buz bir kez yok edildiğinde, düşecek ve yolu kapatacak ve sonunda domuza çarpmalarını imkansız hale getirecektir. Tercih edilen yol, mavi kuştan vazgeçebilmeleri, sarı kuşu kullanarak ahşabı devirebilmeleri ve ardından domuzu devirebilmeleridir.
Yarışmamız önümüzdeki yıl Makao'da yapılacak, herkese katılabiliriz.
ANU'nun fiziksel muhakeme araştırma grubunda temel olarak üç şey vardır:
Algı: Birden çok görünümdeki fotoğraflardan gerçek yapıyı bulun.
Bilgi temsili ve akıl yürütme: Örneğin, küçük kardeşlerimden biri 2018'de uzamsal ifadenin nasıl birleştirileceğine dair bir makale yayınladı; geçen yıl, uzaydaki fiziksel hareketi tanımlamak için 3B uzayda bazı teoriler yapmaya odaklandım.
Fizik ve mekansal planlama: plakaları istifleme deneyi gibi.
Şu anki şirketim olan Dorabot'un araştırma ve geliştirmesine odaklanın. Algoritma araştırmasından sorumlu kişi benim. İşte daha ilginç olduğunu düşündüğüm dört yön:
İlk yön, robotun resmi olarak doğrulanmasıdır. Bir dizi uzamsal ifade yöntemini mantıksal hale getiriyoruz ve robotun anormal davranışlar sergilemeyeceğinden emin olmak için robotu doğruluyoruz.
İkinci yön, çoklu robot işbirliğidir. Örneğin, robotların farklı sensör türlerinin girdilerinden içinde bulundukları dünyanın gerçek görünümünü nasıl bulabildiklerini, robotların yerel işbirliğini nasıl gerçekleştirebileceklerini ve 2B simülasyon tamamen hücresel olduğunda 3B ortamda sorunun nasıl çözüleceğini keşfedin (Turing tamamlandı) Çok robotlu simülasyon, planlama ve işbirliği.
Üçüncü yön, algı sorunudur. Bir robotun bulaşıkları yıkaması ve mutfakta bir yığın kase görmesi gibi mekansal varlıkların orijinal nokta bulutundan algılanması dahil. Hangisinin bir tabak, hangisinin bir paçavra olduğunu, nokta bulutunu gözlemlemek için bir derinlik sensörünün kullanılmasını ve önemli uzaysal değişiklikler yoluyla olduğunu ayırt etmek gerekir. Uzamsal varlıkları izleyin.
Dördüncü yön planlamadır. Örneğin, kutuları konteynırlara, römorklara veya gemilere yükleme eylemini planlamak ve statik ve dinamik kararlılığı dikkate almak.
Yukarıdaki dört yön firmamızın tüm araştırma ve geliştirme sorunlarıdır İlgilenen öğrenciler algoritma ekibimize katılabilirler.
Bunu resmileştirmek ve modellemek için şirketimizin araştırma ve geliştirme yönergelerinden birini seçebilirsiniz. Örneğin, bu konuları SAT, optimizasyon, arama ve makine öğrenimi olarak resmileştirin. Makul bir modelleme yöntemi bulduktan sonra, olup olmadığına bakın. Önerilen algoritma nedir? Gelin ve benimle konuşun. Benimle dream@dorabot.com e-posta adresinden iletişime geçebilirsiniz.
Ayrıca firmamızın aşağıdaki pozisyonlara acilen ihtiyacı var, herkese hoş geldiniz.
Yukarıdakiler, bu sayıda davetliler tarafından paylaşılan tüm içeriklerdir. Daha fazla genel sınıf videosu için, AI Araştırma Topluluğu topluluğunu izlemek için lütfen Leifeng.com'a (genel numara: Leifeng.com) (herkese açık numara: Leifeng.com) gidin. WeChat genel hesabını takip edin: AI Araştırma Enstitüsü (okweiwu), en son genel sınıf canlı yayın süresi önizlemesini edinebilirsiniz.
