Aprendizaje de agarre activo con varios dedos

Esta es una revisión de un artículo académico de 2020 sobre el uso de sistemas de aprendizaje para entrenar brazos y manos robóticas para agarrar objetos.

Los enfoques basados ​​en el aprendizaje para comprender la planificación son preferibles a los métodos analíticos debido a su capacidad para generalizar mejor a objetos nuevos observados parcialmente. Sin embargo, la recopilación de datos sigue siendo uno de los mayores cuellos de botella para los métodos de aprendizaje de agarre, particularmente para manos con varios dedos. El espacio de configuración dimensional relativamente alto de las manos junto con la diversidad de objetos comunes en la vida diaria requiere un número significativo de muestras para producir clasificadores de éxito de agarre robustos y seguros. En este artículo, los investigadores presentan el primer enfoque de aprendizaje profundo activo para captar que busca en el espacio de configuración de comprensión y la confianza del clasificador de manera unificada. Los investigadores basan su enfoque en el éxito reciente en la planificación de prensiones con varios dedos como inferencia probabilística con una función de probabilidad de red neuronal aprendida. Incorporan esto dentro de una formulación de selección de muestras de bandidos armados múltiples. Muestran que su enfoque de aprendizaje de agarre activo utiliza menos muestras de entrenamiento para producir tasas de éxito de agarre comparables con el método de aprendizaje supervisado pasivo entrenado con datos de agarre generados por un planificador analítico. En 2020, los investigadores también muestran que los conocimientos generados por el alumno activo tienen una mayor diversidad cualitativa y cuantitativa en forma.

Arxiv – Aprendizaje de agarre activo con varios dedos

La planificación del agarre basada en el aprendizaje se ha vuelto popular durante la última década, debido a su capacidad para generalizar bien a objetos nuevos con solo información de objeto de vista parcial. Estos enfoques requieren grandes cantidades de datos para el entrenamiento, particularmente aquellos que utilizan redes neuronales profundas. Sin embargo, la recopilación de datos a gran escala sigue siendo un desafío para el agarre con varios dedos porque (1)
los objetos comunes en la vida diaria exhiben una gran variación en términos de geometría, textura, propiedades de inercia y apariencia; y
(2) la dimensión relativamente alta de las configuraciones de agarre con varios dedos (por ejemplo, 22 dimensiones para la configuración de
postura de la mano y la muñeca en este artículo).

Los enfoques de aprendizaje activo más nuevos aprenden de forma interactiva un modelo de agarre que cubre mejor el espacio de configuración de agarre en diferentes objetos usando menos muestras en comparación con un aprendiz de agarre supervisado y pasivo. En lugar de inducir pasivamente una hipótesis para explicar los datos de entrenamiento disponibles como en el aprendizaje supervisado estándar, el aprendizaje activo desarrolla y prueba nuevas hipótesis de forma continua e interactiva.

El aprendizaje activo es más apropiado cuando 1) las muestras de datos no etiquetados son numerosas, 2) se necesita una gran cantidad de datos etiquetados para entrenar un sistema de aprendizaje supervisado preciso y 3) las muestras de datos se pueden recopilar o sintetizar fácilmente. El aprendizaje de agarre satisface cada una de estas condiciones: 1) hay un número infinito de agarres posibles, 2) se necesita una gran cantidad de muestras de entrenamiento etiquetadas para cubrir el espacio, y 3) el robot es su propio oráculo: puede probar un agarre y automáticamente detectar el éxito o el fracaso sin etiquetado humano.

Tesla ya tiene autoetiquetado de objetos en el mundo físico.