Brauchen Roboter eine eigene Wikipedia?
Willkommen auf den iCover-Blogseiten! Trotz der Skepsis eines bestimmten Teils der Intellektuellen gegenüber Ressourcen wie Wikipedia, die in einigen Fällen recht gute Gründe haben, sollte der Wert dieser für alle zugänglichen Informationsquelle im Allgemeinen als positiv anerkannt werden. Natürlich wäre es rücksichtslos, einen Besuch bei Wikipedia oder YouTube mit einer Art wissenschaftlicher Offenbarung zu verbinden. Es geht mehr um den Zugang zu Informationen über völlig triviale Dinge, die uns helfen, aktuelle Herausforderungen und Fragen unserer Zeit zu beantworten. Ein Video zum Kochen eines Omeletts nach einem auf YouTube angezeigten Originalrezept ermöglicht es uns beispielsweise, unsere kulinarische Kompetenz schnell und effizient zu verbessern, ohne auf mühsame Lernrezepte aus einem Kochbuch zurückgreifen zu müssen. Warum sind wir eigentlich?Die Frage ist von Interesse: Bei uns ist alles recht einfach, verständlich und vertraut, aber wie kann das von der Menschheit gesammelte Wissen am effektivsten an den Prozess der Ausbildung von Robotern angepasst werden? Es ist klar, dass der Wert der Informationen, die der Roboter dem PS als Antwort auf seine „Suchanfrage“ zur Verfügung stellt: Wie lautet der Algorithmus für die Übertragung einer Tasse Tee von der Küche ins Wohnzimmer? ... wird auf Null reduziert. Um Informationen zu verarbeiten, benötigt das Gerät eine detaillierte Antwort, schrittweise Anweisungen mit spezifischen Aktionen und ein Verständnis der Sprache. In unserem Beispiel mit einer Tasse Tee müssen also Informationen über die Koordinaten des Behälters mit Tee, die Erfassungsmethode, den Ort, an dem er transportiert werden muss usw. angegeben werden. Natürlich wird das Beispiel absichtlich vereinfacht - im realen Leben mit einer sich zufällig ändernden Umgebung sind Informationen von vielen zusätzlichen Multi-Vektor-Parametern umgeben und Einführung.Und hier wird ein klares Problem gesehen: Die Besonderheiten vieler existierender Methoden zum Trainieren von Robotersystemen schränken die Wirksamkeit eines solchen Trainings ein.Die Suche nach Möglichkeiten zur Erstellung gemeinsamer Algorithmen und Informationsquellen für das produktive Training von Robotern wird zu einem starken Anreiz, nach neuen Richtungen und Wegen zu suchen und diese zu entwickeln, um spezielles Wissen zu vermitteln und die erforderlichen Erfahrungen zu sammeln. Heute berühren wir zwei vielversprechende Bereiche, an denen es Forschern bereits gelungen ist, bestimmte positive Ergebnisse zu erzielen.YouTube Robotertraining
Wie wir herausgefunden haben, sind die Dinge, die für uns einfach und natürlich erscheinen (die einfachsten Gesten, die Verarbeitung von Gemüse, die Arbeit mit einem Staubsauger, das Kochen von Lebensmitteln nach bekannten Rezepten usw.), für einen Roboter, der keine spezielle Ausbildung absolviert hat, immer noch ein unlösbares Problem. Tatsache ist, dass Roboter im Gegensatz zu Menschen derzeit noch nicht wissen, wie sie empirisch lernen, die Welt unabhängig erkunden und umgebende Objekte mit bestimmten Eigenschaften korrelieren können. Daher muss dem Roboter heute, zu Beginn der Entwicklung der Robotik, jede Elementarbewegung einzeln beigebracht werden - wie man den Kühlschrank öffnet, wie man den Behälter nimmt, wie man ihn öffnet, wie man den Inhalt extrahiert.Das Fehlen einer so wertvollen menschlichen Qualität wie Intuition und assoziativen Denkfähigkeiten sowie der langwierige Prozess der Ausbildung von Robotern in dieser Hinsicht zwangen Spezialisten, nach alternativen Methoden zu suchen und diese zu entwickeln. Experten des Institute of Advanced Computer Technologies (Maryland, USA) schlugen ihre Antwort auf die Frage vor und verwendeten YouTube-Videos, um die Qualität des Trainings zu beschleunigen und zu verbessern.Eine Steigerung der Effektivität des Lernprozesses wird in diesem Fall durch die gleichzeitige Verwendung von zwei Kanälen zur Informationsidentifikation beobachtet - Erkennung der von einer Person im Trainingsvideo ausgeführten Aktionen durch künstliche Intelligenz und Erkennung von Sprachinformationen durch Analyse der Sprache. Der Lernprozess ermöglicht es jederzeit, bestimmte Wörter und Phrasen sowie die entsprechenden Bedeutungen und Aktionen auf dem Bildschirm abzugleichen.Laut den Teilnehmern des Experiments konnten wir mit der bereits heute verwendeten „Zwei-Kanal“ -Trainingsmethode die Genauigkeit bei der Erfüllung der zugewiesenen Aufgaben auf einem Niveau von 77% und einem Auswendiglernen des Materials von 76% nachweisen. Gleichzeitig erkennt das Modul Objekte mit einer Genauigkeit von 93% und kann in Zukunft komplexere verbale Befehle mit einem hohen Maß an Genauigkeit identifizieren.Cloud-Lernen
Die Robotik ist mit den Problemen vertraut, die ihre mechanischen Schutzzauber beim Üben von Algorithmen zum Erfassen von Objekten mit verschiedenen Formen, Gewichten und Größen haben. Roboter haben auch offensichtliche Probleme in Fällen, in denen es notwendig ist, Objekte, die ihnen unbekannt sind, für den beabsichtigten Zweck aufzunehmen oder zu verwenden. Und hier sind Cloud-Technologien unverzichtbar. Ein Team von Spezialisten der Brown University, USA, unter der Leitung von Stefanie Tellex (Stefanie Tellex) führt ein Experiment durch, um dem kollaborativen Baxter-Roboter beizubringen, wie Objekte erfasst und ihre Erfahrungen auf andere Roboter desselben Modells übertragen werden.Ein Roboter, der zuerst auf ein Objekt trifft, scannt den letzten mit Infrarotsensoren, um die Form des Objekts zu identifizieren. Der nächste Schritt besteht darin, den Ansatz zu wählen, der beim Anheben eines Objekts dieser Form optimal ist. Ein solcher Algorithmus funktioniert in den meisten Fällen und ist 75% erfolgreicher als die vom Standardprotokoll durchgeführten Erfassungsversuche. Dies ist jedoch nur der erste Schritt. In der nächsten Phase wird die gewonnene positive „Erfahrung“ in die Cloud hochgeladen, die im Wesentlichen eine Datenbank bereits untersuchter Objekte für alle damit verbundenen Roboter und eine Art Analogon der oben genannten Wikipedia ist.Heute arbeiten weltweit rund 300 Baxter-Roboter in Labors. Experten schätzen, dass die Bibliothek alle 11 Tage, wenn die Roboter-Community vollständig geladen war, wenn alle an der Auffüllung der gemeinsam genutzten Cloud-Datenbank beteiligt waren, mit Informationen über eine Million untersuchte Objekte ergänzt werden könnte. Aufgrund der Tatsache, dass die Basisplattform fertiggestellt werden kann, wird dieser Ansatz in Zukunft ein starker Anreiz für die Entwicklung der gesamten Community sein. So erhielt Baxter beispielsweise vor relativ kurzer Zeit einen „weichen Griff“, mit dem viele Objekte angehoben werden können, ohne ihre Integrität zu beeinträchtigen.Die Möglichkeit, eine Vielzahl von Objekten anzuheben, ohne dass das Risiko besteht, sie fallen zu lassen und zu beschädigen, ermöglicht es uns, in Zukunft neue Anwendungsbereiche solcher Roboter nicht nur am Fließband, sondern auch in der Infrastruktur von Lagerkomplexen verschiedener Typen zu berücksichtigen. Und dies ist nur der Anfang und in Zukunft können die Möglichkeiten des kollektiven Selbsttrainings, die die Robopedia-Cloud-Umgebung (Begriff. Autor) mit hoher Wahrscheinlichkeit offenbaren wird, in nahezu allen Bereichen der Robotik eingesetzt werden, von der Medizin bis zum Bereich der Wartung und Bekämpfung von Bränden .Positive Beispiele, die dazu beitragen, das Potenzial des Cloud-Learning-Konzepts bereits heute auszuschöpfen, lassen uns optimistisch in die Zukunft eines solchen Ansatzes blicken. Zu diesen Beispielen gehören die einfachsten Möglichkeiten, die Erkennung von Fotobibliotheken zu lehren, mit deren Hilfe Objekte und ganze Sätze von Algorithmen identifiziert werden können, mit denen Sie einzelne Fähigkeiten höherer Ordnung übertragen können. Spezialisten der Brown Universities, der Stanford University und der Cornell University arbeiten aktiv an der Schaffung einer intelligenten Cloud-basierten Lernumgebung. In der aktuellen Forschungsphase können Sie mit dem Robotersystem Informationen über Symbole, Syntaxelemente, Formen, taktile Eigenschaften und motorische Fähigkeiten speichern und an die allgemeine Informationswolke übertragen.Der Cloud Robopedia-Lernansatz ist relativ neu. Bis vor kurzem betrachtete die überwiegende Mehrheit der Forscher den Lernprozess als isoliert. Durch die Überarbeitung des Schulungskonzepts können sich Spezialisten auf die Verbesserung der Roboteralgorithmen konzentrieren und haben gleichzeitig freien Zugang zu einer vollständigen und aktuellen Wissensbibliothek, die sich vor Ort angesammelt hat.
Liebe Leserinnen und Leser, wir freuen uns immer, Sie auf den Seiten unseres Blogs zu treffen und auf Sie zu warten. Wir sind bereit, Ihnen weiterhin die neuesten Nachrichten, Überprüfungsmaterialien und andere Veröffentlichungen mitzuteilen und werden unser Bestes tun, um die mit uns verbrachte Zeit für Sie nützlich zu machen. Und vergessen Sie natürlich nicht, unsere Kolumnen zu abonnieren .Unsere anderen Artikel und VeranstaltungenSource: https://habr.com/ru/post/de391649/
All Articles