Google X çöp ayıklama robotu ortaya çıktı, artık kuru ve ıslak çöp arasında kafa karıştırmaktan korkmuyor
İçbükey tapınaktan Guo Yipu Qubit Raporu | Genel Hesap QbitAI
Şangay'dan Pekin'e, her şehir çöp ayırma ile uğraşıyor.
Kuru çöpler, ıslak çöpler, zararlı çöpler, domuzlar yiyemez, domuzlar yiyebilir, domuzlar yerse ölür ... Hala bu çöplerin ne olduğu konusunda endişeli misiniz?
Çöpü otomatik olarak sıralayabilseydi harika olurdu.
Daha önce sürücüsüz arabaları kuluçkaya yatıran Google X Alfabe X sonunda yarattı Çöp ayırma robotu .
Bu robotlar çöpleri ayırabilir, yanlış türde çöpleri doğru yere koyabilir ve ayrıca çöpleri toplamak için ofiste dolaşabilirler.
Örneğin, bir maden suyu şişesi yanlış yerleştirilirse, robot onu alıp doğru yere koyabilir:
Yanlış yerleştirilen teneke kutular diğer kutularla birlikte saklanmalıdır:
Alphabet'in ofisinde test ettikten sonra, bu robotun çöpün neden olduğu kirliliği önemli ölçüde azaltabildiğini ve içgüdüsel olarak geri dönüştürülen ancak çöp sahasına gönderilen çöp oranının değiştirildiğini keşfettiler. % 20 Aşağı % 5'ten az .
Bunu nasıl yaptın
Robotların çöp sınıflandırmasını öğrenmesi için algı, hareket ve operasyonu kullanmaları gerekir. Bilgisayarla görme teknolojisi, algılamak için kullanılır ve robotların ilerlemesine yardımcı olma yeteneği endüstride tanıdıktır, ancak karmaşık bir ortamda "elleri" kullanarak ayrılmayı nasıl öğrenecekleri Dolaplar, çekmecelerin açılması ve çöplerin toplanması, makine tarafından öğrenilmesi gereken işlemlerdir.
Bu nedenle Alfabe X, robotun "elleri" esnek bir şekilde kullanmayı öğrenmesini sağlamak için üç yöntem kullanır.
İnsanlardan öğrenin
Birincisi insanlardan öğrenmek ve insan eylemlerini ve uygulamalarını taklit etmektir.
Burada kullanıldı Oyun-LMP Robotların belirli bir veri seti üzerinde eğitim almadan insan gösterilerinden öğrenmesini sağlayan ve nihayetinde ortalama% 85,5 başarı oranına ulaşan algoritma.
Öğrenilen sonuçlar kabaca şöyle, görev gereksinimleri solda ve yürütme süreci sağda:
Diğer robotlardan öğrenin
Diğer robotlarla öğrenmek, birçok robotun deneyim paylaşmasına olanak tanıyan modelsiz pekiştirmeli öğrenmeyle yapılır.
Spesifik uygulama aşağıdaki gibidir:
Kapı kolu yardımıyla kapıyı açma tekniğini robotlar öğrensin.Birlikte öğrenen her robotun kurulu bir sinir ağı vardır ve robotlarının her biri merkezi bir sunucuya bağlanır.
Her robot kapıyı ve kapı tokmağını düşünmeye başladı, el yordamıyla nasıl açılacağını düşünüyordu.
Bu süreçte, her robotun her adımının eylemleri ve sonuçları arkasındaki merkezi sunucuya iletilir ve merkezi sunucudaki sinir ağı, iletilen deneyimi sinir ağını yinelemeli olarak iyileştirmek için kullanmaya başlar.
Bu şekilde, tüm süreç sanki karargah araştırmak için birkaç asker gönderiyor ve ardından genel bir savaş fikri oluşturmak için her askerin geri gönderdiği ipuçlarını özetliyor ve sonra askerlere nasıl davranacaklarını anlatıyor.
İyileştirmeden sonra robotların hepsi kapıyı açmayı öğrendi.
Bulutta öğrenin
Çöpü toplamak için bir robot, işleri esnek bir şekilde kavramak için kendi "ellerini" kullanmayı öğrenmelidir.Modeli eğitmek için sürekli uygulama ve büyük miktarda veri gerekir.
Gerçek dünyada, robotlar günde yalnızca 5.000 tarama yapabilir ve veri miktarı yeterli olmaktan uzaktır.
Ve yardımıyla Rastgele-normatif adaptasyon ağı (RCAN olarak adlandırılan Rastgele-Kanonik Uyarlama Ağları), buluttaki simüle edilmiş eğitim verileri modelin gerçek eğitiminde kullanılabilir, böylece robot kavrama nesnelerinin başarı oranı% 70'e çıkarılır.
Daha sonra gerçek dünyada 5000 kez yakalanan verilerle birleştirilen modelde ince ayarlar yapıldı ve başarı oranı% 91'e ulaştı.
Bu süreç, gerçek dünyada 580.000 kez yakalama sonucuna eşdeğerdir ve aynı anda egzersiz sayısının% 99'unu kurtarır.
Bu şekilde, robotu kavramayı öğrenmesi için eğitmek eskiden 3 ay sürüyordu, ama şimdi sadece bir günden az sürüyor.
Ek olarak, bu makale bu yılki CVPR'de yayınlandı.
Yapılandırılmış ve yapılandırılmamış ortamlarda robotlar
Mevcut robotik alanında birçok olgun robot bulunmasına rağmen, bunların hepsi oldukça yetenekli ve pahalıdır.
Bekarlar ve Yapılandırılmış Ortamda belli bir görev çok yüksek bir verimlilikle ele alınır, ancak her gün farklı, karmaşık ve karmaşık olamaz. Yapılandırılmamış Yaşam ortamında zahmetli yıkama ve yemek pişirme görevlerini çözün.
Alphabet X'in nihai amacı günlük hayatta kullanılabilecek bir robot yaratmaktır.Örneğin evde yorganları istifleyerek bulaşık yıkayabilir, ofiste çay ikram edebilir ve dışarı çıkarabilir ... Her gün kullanılacak, bu yüzden bu proje de bu yüzden. Olarak bilinir Günlük Robotlar .
Ancak zorluk tahmin edilebilir.
Ulusal Karayolu Trafik Güvenliği İdaresi bu diyagramı verdi.
Yatay eksenin sol tarafı özel görevleri yerine getirmektir ve sağ tarafı çeşitli günlük karmaşık görevlerdir; dikey eksenin alt yarısı yapılandırılmış bir ortamda ve üst yarısı yapılandırılmamış bir ortamdadır.
Açıktır ki sağ üst köşede yer alan ve çeşitli karmaşık ortamlara uyum sağlayabilen ve her türlü dövüş sanatını yapabilen robot, insanlar için onu yaratmak için sol alt köşeye göre çok daha zordur, bu da sabit görevleri yalnızca montaj hattında sabit bir konumda tamamlayabilir. robot.
Sağ üst kadranda, geliştirilmekte olan otonom bir araç var, Everyday Robots, otonom sürüşten çok daha zor bir sıra.
Portal
Son olarak, bu çöp ayırma robotunun üç öğrenme yöntemi ile ilgili olarak, ilgili makalelere ve teknik bloglara bağlantılar aşağıdaki gibidir.
İnsanlardan öğrenin Oyundan Gizli Planları Öğrenme Yazar: Corey Lynch, Mohi Khansari, Ted Xiao, Vikash Kumar, Jonathan Tompson, Sergey Levine, Pierre Sermanet https://learning-from-play.github.io/
Diğer robotlardan öğrenin https://ai.googleblog.com/2016/10/how-robots-can-acquire-new-skills-from.html
Bulutta öğrenin Sim-to-Sim ile Sim-to-Real: Randomize-Kanonik Uyarlama Ağları aracılığıyla Veri-verimli Robotik Kavrama Yazar: Stephen James, Paul Wohlhart, Mrinal Kalakrishnan, Dmitry Kalashnikov, Alex Irpan, Julian Ibarz, Sergey Levine, Raia Hadsell, Konstantinos Bousmalis https://arxiv.org/abs/1812.07252
Benzer bir araştırma yapıyorsanız, lütfen referans için bağlantıyı kopyalamaya devam edin ~
