Aktives Greifenlernen mit mehreren Fingern

Dies ist eine Rezension einer wissenschaftlichen Arbeit aus dem Jahr 2020 über die Verwendung von Lernsystemen zum Trainieren von Roboterarmen und -händen zum Greifen von Objekten.

Lernbasierte Ansätze zur Erfassungsplanung werden gegenüber analytischen Methoden bevorzugt, da sie besser auf neue, teilweise beobachtete Objekte verallgemeinern können. Die Datenerfassung bleibt jedoch einer der größten Engpässe für Grifflernmethoden, insbesondere für Hände mit mehreren Fingern. Der relativ hochdimensionale Konfigurationsraum der Hände in Verbindung mit der Vielfalt der im täglichen Leben üblichen Objekte erfordert eine erhebliche Anzahl von Proben, um robuste und zuverlässige Klassifikatoren für den Greiferfolg zu erstellen. In diesem Artikel stellen Forscher den ersten aktiven Deep-Learning-Ansatz für das Greifen vor, der den Greifkonfigurationsraum und das Klassifikatorvertrauen auf einheitliche Weise durchsucht. Die Forscher stützen ihren Ansatz auf den jüngsten Erfolg bei der Planung von Greifvorgängen mit mehreren Fingern als probabilistische Inferenz mit einer erlernten Wahrscheinlichkeitsfunktion eines neuronalen Netzwerks. Sie betten dies in eine mehrarmige Banditenformulierung der Probenauswahl ein. Sie zeigen, dass ihr Ansatz des aktiven Erfassen-Lernens weniger Trainingsbeispiele verwendet, um Erfassungs-Erfolgsraten zu erzielen, die mit der passiven überwachten Lernmethode vergleichbar sind, die mit Erfassungsdaten trainiert wurde, die von einem analytischen Planer generiert wurden. Im Jahr 2020 zeigen Forscher außerdem, dass die vom aktiven Lernenden generierten Griffe eine größere qualitative und quantitative Vielfalt in der Form aufweisen.

Arxiv – Aktives Lernen mit mehreren Fingern

Die lernbasierte Greifplanung ist in den letzten zehn Jahren populär geworden, da sie gut auf neuartige Objekte mit nur Teilansichtsobjektinformationen verallgemeinern kann. Diese Ansätze erfordern große Datenmengen für das Training, insbesondere solche, die tiefe neuronale Netze verwenden. Die Datenerhebung in großem Maßstab bleibt jedoch eine Herausforderung für das Erfassen mit mehreren Fingern, weil (1)
im täglichen Leben übliche Gegenstände weisen große Variationen in Bezug auf Geometrie, Textur, Trägheitseigenschaften und Aussehen auf; und
(2) die relativ hohe Dimension von Mehrfinger-Griffkonfigurationen (z. B. 22 Dimensionen für die Konfiguration von
Hand und Handgelenk posieren in diesem Papier).

Neuere aktive Lernansätze lernen interaktiv ein Greifmodell, das den Greifkonfigurationsraum über verschiedene Objekte hinweg besser abdeckt, wobei weniger Beispiele verwendet werden, verglichen mit einem passiven, überwachten Greiflerner. Anstatt passiv eine Hypothese zu induzieren, um die verfügbaren Trainingsdaten zu erklären, wie beim standardmäßigen überwachten Lernen, entwickelt und testet aktives Lernen kontinuierlich und interaktiv neue Hypothesen.

Aktives Lernen ist am besten geeignet, wenn 1) viele unbeschriftete Datenproben vorhanden sind, 2) viele beschriftete Daten benötigt werden, um ein genaues überwachtes Lernsystem zu trainieren, und 3) Datenproben leicht gesammelt oder synthetisiert werden können. Greifenlernen erfüllt jede dieser Bedingungen: 1) es gibt unendlich viele mögliche Greifen, 2) eine große Anzahl beschrifteter Trainingsbeispiele ist notwendig, um den Raum abzudecken, und 3) der Roboter ist sein eigenes Orakel – er kann Greifen versuchen und das automatisch Erkennen von Erfolg oder Misserfolg ohne menschliche Kennzeichnung.

Tesla verfügt bereits über eine automatische Kennzeichnung von Objekten in der physischen Welt.