Les robots ont-ils besoin de leur propre Wikipédia?
Bienvenue sur les pages du blog iCover! Malgré le scepticisme d'une certaine partie des intellectuels sur des ressources telles que Wikipédia, qui dans certains cas a de très bonnes raisons, en général, la valeur de cette source d'information accessible à tous doit néanmoins être reconnue comme positive. Bien sûr, relier une visite sur Wikipedia ou YouTube à une sorte de révélation scientifique serait imprudent, il s'agit plutôt d'accéder à des informations sur des choses complètement triviales qui nous aident à répondre aux défis actuels et aux questions de notre temps. Ainsi, par exemple, une vidéo sur la façon de cuisiner une omelette selon une recette originale consultée sur YouTube nous permettra d'améliorer rapidement et efficacement notre culture culinaire sans avoir recours à la nécessité de recettes d'apprentissage fastidieuses à partir d'un livre de cuisine. Pourquoi sommes-nous, en fait?La question est intéressante: chez nous tout est assez simple, compréhensible et familier, mais comment adapter au mieux les connaissances accumulées par l'humanité au processus de formation des robots? Il est clair que la valeur des informations fournies au PS par le robot en réponse à sa «requête de recherche»: quel est l'algorithme pour transférer une tasse de thé de la cuisine au salon? ... sera réduit à zéro. Pour assimiler les informations, la machine a besoin d'une réponse détaillée, d'instructions étape par étape avec des actions spécifiques et d'une compréhension de la langue. Donc, dans notre exemple avec une tasse de thé, il sera nécessaire de fournir des informations sur les coordonnées du récipient avec du thé, la méthode de capture, l'endroit où il doit être transporté, etc. Bien sûr, l'exemple est intentionnellement simplifié - dans la vie réelle avec un environnement changeant de manière aléatoire, les informations sont entourées de nombreux paramètres multivecteurs supplémentaires et introduction.Et ici, un problème certain se pose: les spécificités de nombreuses méthodes existantes de formation des systèmes robotiques imposent certaines restrictions sur l'efficacité d'une telle formation.La recherche de moyens de créer des algorithmes et des sources d'information communs pour une formation productive des robots devient une puissante incitation à rechercher et à développer de nouvelles directions et façons de transmettre des connaissances spéciales et d'acquérir l'expérience requise. Aujourd'hui, nous abordons deux domaines prometteurs, sur lesquels des chercheurs ont déjà réussi à obtenir certains résultats positifs.YouTube Robot Training
Ainsi, comme nous l'avons découvert, les choses qui nous paraissent simples et naturelles (les gestes les plus simples, le traitement des légumes, le travail avec un aspirateur, la cuisson des aliments selon des recettes familières, etc.) pour un robot qui n'a pas suivi de formation particulière restent un problème insoluble. Le fait est qu'au stade actuel, les robots, contrairement aux humains, ne savent toujours pas apprendre empiriquement, explorer indépendamment le monde et corréler les objets environnants avec certaines qualités. Ainsi, aujourd'hui, à l'aube du développement de la robotique, le robot doit jusqu'à présent apprendre individuellement chaque mouvement élémentaire - comment ouvrir le réfrigérateur, comment prendre le récipient, comment l'ouvrir, comment extraire le contenu.L'absence d'une qualité humaine aussi précieuse que l'intuition et tout type de pensée associative et le processus prolongé de formation des robots à cet égard ont forcé les spécialistes à rechercher et à développer des méthodes alternatives. Des experts de l'Institut des technologies informatiques avancées (Maryland, États-Unis) ont suggéré leur réponse à la question, en utilisant des vidéos YouTube pour accélérer et améliorer la qualité de la formation.Une augmentation de l'efficacité du processus d'apprentissage dans ce cas est observée en raison de l'utilisation simultanée de deux canaux d'identification de l'information - la reconnaissance par l'intelligence artificielle des actions effectuées par une personne dans la vidéo de formation et la reconnaissance des informations vocales au moyen de l'analyse de la langue. Le processus d'apprentissage permet à tout moment de faire correspondre des mots et des phrases spécifiques et leurs significations et actions correspondantes effectuées sur l'écran du moniteur.Selon les participants à l'expérience, l'utilisation de la méthodologie de formation «à deux canaux» nous a déjà permis aujourd'hui de démontrer le niveau de précision dans l'accomplissement des tâches assignées au niveau de 77% avec le degré de mémorisation du matériel à 76%. Dans le même temps, le module reconnaît les objets avec une précision de 93% et pourra à l'avenir identifier des commandes verbales plus complexes avec un haut degré de précision.Apprentissage cloud
La robotique connaît les problèmes rencontrés par ses protecteurs mécaniques lorsqu'ils pratiquent des algorithmes pour capturer des objets de formes, de poids et de tailles variés. Les robots rencontrent également des problèmes évidents dans les cas où il est nécessaire de ramasser ou d'utiliser des objets qui ne leur sont pas familiers pour leur destination. Et ici, les technologies cloud sont indispensables. Une équipe de spécialistes de l'Université Brown, aux États-Unis, sous la direction de Stefanie Tellex (Stefanie Tellex) mène une expérience pour enseigner au robot collaboratif Baxter comment capturer des objets et transférer leur expérience à d'autres robots du même modèle.Un robot qui rencontre d'abord un objet scanne le dernier avec des capteurs infrarouges, ce qui lui permet d'identifier la forme de l'objet. Et la prochaine étape consiste à choisir l'approche qui sera optimale lors du levage d'un objet de cette forme. Un tel algorithme fonctionne dans la plupart des cas et s'avère 75% plus efficace que les tentatives de capture effectuées par le protocole standard. Mais ce n'est que la première étape. À l'étape suivante, l'expérience positive acquise est téléchargée sur le cloud, qui est essentiellement une base de données d'objets déjà étudiés pour tous les robots qui y sont connectés et une sorte d'analogue de Wikipédia susmentionné.Aujourd'hui, environ 300 robots Baxter opèrent dans des laboratoires du monde entier. Les experts estiment que s'ils ont tous participé à la reconstitution de la base de données cloud partagée, puis tous les 11 jours, lorsque la communauté robotique était complètement chargée, la bibliothèque pourrait être complétée par des informations sur un million d'objets à l'étude. Étant donné que la plate-forme de base peut être finalisée, une telle approche à l'avenir sera une puissante incitation au développement de l'ensemble de la communauté. Ainsi, par exemple, relativement récemment, Baxter a reçu une «prise en main souple», lui permettant de soulever de nombreux objets sans compromettre leur intégrité.La possibilité de soulever une grande variété d'objets sans risquer de les faire tomber et de les endommager nous permettra d'envisager à l'avenir de nouveaux domaines d'application de tels robots non seulement sur les chaînes de montage, mais aussi dans l'infrastructure de complexes d'entrepôts de différents types. Et ce n'est que le début, et à l'avenir, les opportunités d'autoformation collective que l'environnement cloud Robopedia (terme. Auteur) révélera avec un haut degré de probabilité peuvent être utilisées dans presque tous les domaines de la robotique, de la médecine au domaine de l'entretien et de la lutte contre les incendies .Des exemples positifs qui aident à libérer le potentiel du concept d'apprentissage cloud aujourd'hui nous permettent déjà d'être optimistes quant à l'avenir d'une telle approche. Parmi ces exemples, il y a les moyens les plus simples d'enseigner la reconnaissance des photothèques qui aident à identifier des objets et des ensembles entiers d'algorithmes qui vous permettent de transférer des compétences individuelles d'un ordre supérieur. Et des spécialistes des universités Brown, Stanford et Cornell University travaillent activement à créer un environnement d'apprentissage intelligent basé sur le cloud. Au stade actuel de la recherche, le système robotique vous permet d'enregistrer et de transmettre des informations sur les symboles, les éléments de syntaxe, les formes, les propriétés tactiles, la motricité au nuage d'informations générales.L'approche d'apprentissage Cloud Robopedia est relativement récente. Jusqu'à récemment, la grande majorité des chercheurs considéraient le processus d'apprentissage comme isolé. La révision du concept de formation permettra aux spécialistes de se concentrer sur l'amélioration des algorithmes de robot, tout en ayant un accès gratuit à une bibliothèque complète et actuelle de connaissances accumulées sur le terrain à l'heure actuelle.
Chers lecteurs, nous sommes toujours heureux de vous rencontrer et de vous attendre sur les pages de notre blog. Nous sommes prêts à continuer de partager avec vous les dernières nouvelles, à examiner les documents et autres publications, et nous ferons de notre mieux pour rendre le temps passé avec nous utile pour vous. Et, bien sûr, n'oubliez pas de vous abonner à nos colonnes .Nos autres articles et événementsSource: https://habr.com/ru/post/fr391649/
All Articles