Os robôs precisam de sua própria Wikipedia?
Bem-vindo às páginas do blog iCover! Apesar do ceticismo de uma certa parte dos intelectuais em recursos como a Wikipedia, que em alguns casos tem boas razões, em geral, o valor dessa fonte de informação acessível a todos deve ser reconhecido como positivo. É claro que conectar uma visita à Wikipedia ou YouTube a algum tipo de revelação científica seria imprudente, trata-se mais de acesso a informações sobre coisas completamente triviais que nos ajudam a responder aos desafios e perguntas atuais de nosso tempo. Assim, por exemplo, um vídeo sobre como cozinhar uma omelete de acordo com uma receita original exibida no YouTube nos permitirá melhorar rápida e eficientemente nossa alfabetização culinária, sem recorrer à necessidade de receitas tediosas de aprendizado em um livro de receitas. Por que estamos, na verdade?A questão é interessante: conosco tudo é bastante simples, compreensível e familiar, mas como adaptar o conhecimento acumulado pela humanidade ao processo de treinamento de robôs de maneira mais eficaz? É claro que o valor das informações fornecidas ao PS pelo robô em resposta à sua "consulta de pesquisa": qual é o algoritmo para transferir uma xícara de chá da cozinha para a sala de estar? ... será reduzido a zero. Para assimilar informações, a máquina precisa de uma resposta detalhada, instruções passo a passo com ações específicas e um entendimento do idioma. Portanto, em nosso exemplo com uma xícara de chá, será necessário fornecer informações sobre as coordenadas do recipiente com chá, o método de captura, o local para onde ele deve ser transportado etc. É claro que o exemplo é intencionalmente simplificado - na vida real, com um ambiente que muda aleatoriamente, as informações são cercadas por muitos parâmetros adicionais de vários vetores e introdutória.E aqui está sendo visto um problema definido: as especificidades de muitos métodos existentes para o treinamento de sistemas robóticos impõem algumas restrições à eficácia desse treinamento.A busca de maneiras de criar algoritmos e fontes de informação comuns para o treinamento produtivo de robôs se torna um poderoso incentivo para procurar e desenvolver novas direções e maneiras de transmitir conhecimento especial e obter a experiência necessária. Hoje, abordamos duas áreas promissoras, nas quais os pesquisadores já conseguiram alcançar certos resultados positivos.Treinamento para robôs do YouTube
Portanto, como descobrimos, as coisas que parecem simples e naturais para nós (os gestos mais simples, processar legumes, trabalhar com um aspirador de pó, cozinhar alimentos de acordo com receitas familiares etc.) para um robô que não passou por treinamento especial ainda são um problema insolúvel. O fato é que, no estágio atual, os robôs, diferentemente dos humanos, ainda não sabem aprender empiricamente, exploram independentemente o mundo e correlacionam os objetos ao redor com certas qualidades. Assim, hoje, no início do desenvolvimento da robótica, o robô até agora precisa aprender cada movimento elementar individualmente - como abrir a geladeira, como levar o recipiente, como abri-lo, como extrair o conteúdo.A falta de uma qualidade humana tão valiosa como a intuição e qualquer tipo de habilidade de pensamento associativo e o processo prolongado de treinamento de robôs nesse sentido forçaram os especialistas a procurar e desenvolver métodos alternativos. Especialistas do Instituto de Tecnologias Avançadas de Computador (Maryland, EUA) sugeriram sua resposta à pergunta, usando vídeos do YouTube para acelerar e melhorar a qualidade do treinamento.Observa-se um aumento na efetividade do processo de aprendizagem devido ao uso simultâneo de dois canais de identificação de informações - reconhecimento por inteligência artificial das ações realizadas por uma pessoa no vídeo de treinamento e reconhecimento de informações de fala por meio da análise do idioma. O processo de aprendizado permite, a qualquer momento, corresponder a palavras e frases específicas e seus significados e ações correspondentes executados na tela do monitor.De acordo com os participantes do experimento, o uso da metodologia de treinamento de "dois canais" já hoje nos permitiu demonstrar o nível de precisão no cumprimento das tarefas atribuídas no nível de 77% com o grau de memorização do material em 76%. Ao mesmo tempo, o módulo reconhece objetos com uma precisão de 93% e, no futuro, será capaz de identificar comandos verbais mais complexos com um alto grau de precisão.Aprendizado na nuvem
A robótica está familiarizada com os problemas que suas alas mecânicas enfrentam ao praticar algoritmos para capturar objetos de várias formas, pesos e tamanhos. Os robôs também enfrentam problemas óbvios nos casos em que é necessário pegar ou usar objetos desconhecidos para a finalidade a que se destinam. E aqui, as tecnologias em nuvem são indispensáveis. Uma equipe de especialistas da Brown University, EUA, sob a liderança de Stefanie Tellex (Stefanie Tellex), realiza um experimento para ensinar ao robô colaborador Baxter como capturar objetos e transferir sua experiência para outros robôs do mesmo modelo.Um robô que encontra um objeto primeiro digitaliza o último com sensores infravermelhos, o que permite identificar a forma do objeto. E o próximo passo é escolher a abordagem que será ideal ao levantar um objeto dessa forma. Esse algoritmo funciona na maioria dos casos e é 75% mais bem-sucedido do que as tentativas de captura feitas pelo protocolo padrão. Mas este é apenas o primeiro passo. Na próxima etapa, a "experiência" positiva obtida é carregada na nuvem, que é essencialmente um banco de dados de objetos já estudados para todos os robôs conectados a ela e uma espécie de análogo da Wikipedia mencionada acima.Hoje, cerca de 300 robôs da Baxter operam em laboratórios em todo o mundo. Os especialistas estimam que, se todos participassem da reposição do banco de dados em nuvem compartilhado, a cada 11 dias, quando a comunidade robótica estivesse totalmente carregada, a biblioteca poderia ser complementada com informações sobre um milhão de objetos em estudo. Devido ao fato de a plataforma base poder ser finalizada, essa abordagem no futuro será um poderoso incentivo para o desenvolvimento de toda a comunidade. Por exemplo, recentemente, a Baxter recebeu um “aperto suave”, permitindo levantar muitos objetos sem comprometer sua integridade.A possibilidade de pegar uma variedade de objetos sem o risco de derrubá-los e danificá-los nos permitirá considerar no futuro novas áreas de aplicação de tais robôs, não apenas nas linhas de montagem, mas também na infraestrutura de complexos de armazém de vários tipos. E este é apenas o começo e, no futuro, as oportunidades de auto-treinamento coletivo que o ambiente em nuvem da Robopedia (termo. Autor) revelará com um alto grau de probabilidade podem ser usadas em quase todos os campos da robótica, da medicina ao campo de manutenção e combate a incêndios .Exemplos positivos que ajudam a liberar o potencial do conceito de aprendizado em nuvem hoje em dia já nos permitem ser otimistas sobre o futuro dessa abordagem. Entre esses exemplos, estão as maneiras mais simples de ensinar o reconhecimento de bibliotecas de fotos que ajudam a identificar objetos e conjuntos inteiros de algoritmos que permitem transferir habilidades individuais de ordem superior. E especialistas das Universidades Brown, Stanford e Cornell University estão trabalhando ativamente para criar um ambiente de aprendizado inteligente baseado em nuvem. No estágio atual da pesquisa, o sistema robótico permite salvar e transmitir informações sobre símbolos, elementos de sintaxe, formas, propriedades táteis, habilidades motoras para a nuvem de informações gerais.A abordagem de aprendizado da Cloud Robopedia é relativamente recente. Até recentemente, a grande maioria dos pesquisadores considerava o processo de aprendizado isolado. A revisão do conceito de treinamento permitirá que os especialistas se concentrem na melhoria dos algoritmos dos robôs, enquanto têm acesso livre a uma biblioteca completa e atual de conhecimentos acumulados no campo no momento.
Caros leitores, estamos sempre felizes em conhecê-lo e aguardá-lo nas páginas do nosso blog. Estamos prontos para continuar compartilhando com você as últimas notícias, revisar materiais e outras publicações e tentaremos fazer o possível para tornar útil o tempo gasto conosco. E, claro, não se esqueça de se inscrever em nossas colunas .Nossos outros artigos e eventosSource: https://habr.com/ru/post/pt391649/
All Articles