¿Los robots necesitan su propia Wikipedia?
Bienvenido a las páginas del blog de iCover! A pesar del escepticismo de una cierta parte de los intelectuales sobre recursos como Wikipedia, que en algunos casos tiene muy buenas razones, en general, el valor de esta fuente de información accesible para todos debe ser reconocido como positivo. Por supuesto, conectar una visita a Wikipedia o YouTube con algún tipo de revelación científica sería imprudente, se trata más del acceso a información sobre cosas completamente triviales que nos ayudan a responder los desafíos y las preguntas actuales de nuestro tiempo. Entonces, por ejemplo, un video sobre cómo cocinar una tortilla de acuerdo con una receta original vista en YouTube nos permitirá mejorar rápida y eficientemente nuestra alfabetización culinaria sin recurrir a la necesidad de tediosas recetas de aprendizaje de un libro de cocina. ¿Por qué estamos, en realidad?La pregunta es de interés: con nosotros todo es bastante simple, comprensible y familiar, pero ¿cómo adaptar el conocimiento acumulado por la humanidad al proceso de entrenamiento de robots de manera más efectiva? Está claro que el valor de la información proporcionada a la EP por el robot en respuesta a su "consulta de búsqueda": ¿cuál es el algoritmo para transferir una taza de té de la cocina a la sala de estar? ... se reducirá a cero. Para asimilar información, la máquina necesita una respuesta detallada, instrucciones paso a paso con acciones específicas y una comprensión del lenguaje. Entonces, en nuestro ejemplo con una taza de té, será necesario proporcionar información sobre las coordenadas del recipiente con té, el método de captura, el lugar donde debe transportarse, etc. Por supuesto, el ejemplo se simplifica intencionalmente: en la vida real con un entorno que cambia al azar, la información está rodeada de muchos parámetros adicionales de múltiples vectores y introductorioY aquí se está viendo un problema definido: los detalles de muchos métodos existentes para entrenar sistemas robóticos imponen algunas restricciones sobre la efectividad de dicho entrenamiento.La búsqueda de formas de crear algoritmos comunes y fuentes de información para el entrenamiento productivo de los robots se convierte en un poderoso incentivo para buscar y desarrollar nuevas direcciones y formas de transmitir conocimientos especiales y obtener la experiencia requerida. Hoy tocamos dos áreas prometedoras, en las que los investigadores ya han logrado obtener ciertos resultados positivos.Entrenamiento de robot de YouTube
Entonces, como hemos descubierto, aquellas cosas que nos parecen simples y naturales (los gestos más simples, procesar vegetales, trabajar con una aspiradora, cocinar alimentos de acuerdo con recetas familiares, etc.) para un robot que no ha recibido capacitación especial siguen siendo un problema insoluble. El hecho es que, en la etapa actual, los robots, a diferencia de los humanos, todavía no saben cómo aprender empíricamente, explorar independientemente el mundo y correlacionar los objetos circundantes con ciertas cualidades. Por lo tanto, hoy, en los albores del desarrollo de la robótica, el robot hasta ahora necesita que se le enseñe cada movimiento elemental individualmente: cómo abrir el refrigerador, cómo tomar el contenedor, cómo abrirlo, cómo extraer el contenido.La falta de una calidad humana tan valiosa como la intuición y cualquier tipo de habilidades de pensamiento asociativo y el prolongado proceso de entrenamiento de robots a este respecto obligó a los especialistas a buscar y desarrollar métodos alternativos. Expertos del Instituto de Tecnologías Informáticas Avanzadas (Maryland, EE. UU.) Sugirieron su respuesta a la pregunta, utilizando videos de YouTube para acelerar y mejorar la calidad de la capacitación.Se observa un aumento en la efectividad del proceso de aprendizaje en este caso debido al uso simultáneo de dos canales de identificación de información: el reconocimiento por inteligencia artificial de las acciones realizadas por una persona en el video de capacitación y el reconocimiento de la información del habla mediante el análisis del lenguaje. El proceso de aprendizaje permite en cualquier momento coincidir palabras y frases específicas y sus significados y acciones correspondientes realizadas en la pantalla del monitor.Según los participantes del experimento, el uso de la metodología de capacitación de "dos canales" ya nos permitió demostrar el nivel de precisión en el cumplimiento de las tareas asignadas al nivel del 77% con el grado de memorización del material al 76%. Al mismo tiempo, el módulo reconoce objetos con una precisión del 93% y en el futuro podrá identificar comandos verbales más complejos con un alto grado de precisión.Aprendizaje en la nube
La robótica está familiarizada con los problemas que experimentan sus salas mecánicas cuando practican algoritmos para capturar objetos de diversas formas, pesos y tamaños. Los robots también experimentan problemas obvios en los casos en que es necesario recoger o usar objetos desconocidos para su propósito previsto. Y aquí, las tecnologías en la nube son indispensables. Un equipo de especialistas de la Universidad de Brown, EE. UU., Bajo el liderazgo de Stefanie Tellex (Stefanie Tellex) realiza un experimento para enseñar al robot colaborativo Baxter cómo capturar objetos y transferir su experiencia a otros robots del mismo modelo.Un robot que primero encuentra un objeto escanea el último con sensores infrarrojos, lo que le permite identificar la forma del objeto. Y el siguiente paso es elegir el enfoque que será óptimo al levantar un objeto de esta forma. Tal algoritmo funciona en la mayoría de los casos y resulta ser un 75% más exitoso que los intentos de captura realizados por el protocolo estándar. Pero este es solo el primer paso. En la siguiente etapa, la "experiencia" positiva obtenida se carga en la nube, que es esencialmente una base de datos de objetos ya estudiados para todos los robots conectados a ella y una especie de análogo de la Wikipedia antes mencionada.Hoy, alrededor de 300 robots Baxter operan en laboratorios de todo el mundo. Los expertos estiman que si todos participaron en la reposición de la base de datos de la nube compartida, entonces cada 11 días, cuando la comunidad robótica estaba completamente cargada, la biblioteca podría complementarse con información sobre un millón de objetos en estudio. Debido al hecho de que la plataforma base se puede finalizar, este enfoque en el futuro será un poderoso incentivo para el desarrollo de toda la comunidad. Así, por ejemplo, relativamente recientemente Baxter recibió un "agarre suave", lo que le permite levantar muchos objetos sin comprometer su integridad.La posibilidad de levantar una amplia variedad de objetos sin el riesgo de dejarlos caer y dañarlos nos permitirá considerar en el futuro nuevas áreas de aplicación de tales robots no solo en las líneas de ensamblaje, sino también en la infraestructura de complejos de depósitos de varios tipos. Y esto es solo el comienzo, y en el futuro, las oportunidades de autoaprendizaje colectivo que el entorno en la nube de Robopedia (término. Autor) revelará con un alto grado de probabilidad se pueden utilizar en casi cualquier campo de la robótica, desde la medicina hasta el servicio y la lucha contra incendios .Los ejemplos positivos que ayudan a liberar el potencial del concepto de aprendizaje en la nube hoy en día ya nos permiten ser optimistas sobre el futuro de este enfoque. Entre estos ejemplos se encuentran las formas más simples de enseñar el reconocimiento de bibliotecas de fotos que ayudan a identificar objetos y conjuntos completos de algoritmos que le permiten transferir habilidades individuales de un orden superior. Y los especialistas de las universidades Brown, Stanford y Cornell University están trabajando activamente para crear un entorno de aprendizaje inteligente basado en la nube. En la etapa actual de investigación, el sistema robótico le permite guardar y transmitir información sobre símbolos, elementos de sintaxis, formas, propiedades táctiles, habilidades motoras a la nube de información general.El enfoque de aprendizaje de Cloud Robopedia es relativamente reciente. Hasta hace poco, la gran mayoría de los investigadores consideraban el proceso de aprendizaje como aislado. La revisión del concepto de capacitación permitirá a los especialistas concentrarse en mejorar los algoritmos del robot, al tiempo que tendrá acceso libre a una biblioteca completa y actual de conocimiento acumulado en el campo en este momento.
Estimados lectores, siempre estamos felices de conocerte y esperarte en las páginas de nuestro blog. Estamos listos para continuar compartiendo con usted las últimas noticias, materiales de revisión y otras publicaciones, y trataremos de hacer nuestro mejor esfuerzo para que el tiempo que pase con nosotros sea útil para usted. Y, por supuesto, no olvides suscribirte a nuestras columnas .Nuestros otros artículos y eventos.Source: https://habr.com/ru/post/es391649/
All Articles