See on ülevaade 2020. aasta akadeemilisest tööst, mis käsitleb õppesüsteemide kasutamist robootika käte ja käte treenimiseks objektide haaramiseks.
Õppimispõhiseid lähenemisviise planeerimise haaramiseks eelistatakse analüüsimeetoditele, kuna need suudavad paremini üldistada uutele, osaliselt vaadeldavatele objektidele. Andmete kogumine jääb aga üheks suurimaks kitsaskohaks haardeõppe meetodite, eriti mitme sõrmega käte puhul. Käte suhteliselt suure mõõtmetega konfiguratsiooniruum koos igapäevaelus levinud objektide mitmekesisusega nõuab tugevate ja enesekindlate eduklassifikaatorite loomiseks märkimisväärset arvu näidiseid. Selles artiklis tutvustavad teadlased esimest aktiivset süvaõppe lähenemisviisi haaramiseks, mis otsib ühtsel viisil haardekonfiguratsiooniruumi ja klassifikaatori usaldusväärsust. Teadlased tuginevad oma lähenemisviisile hiljutisele edule mitme sõrmega haaramise kavandamisel kui tõenäosuslikul järeldusel õpitud närvivõrgu tõenäosusfunktsioonist. Nad kinnistavad selle proovi valimise mitme käega bandiitide formuleeringusse. Nad näitavad, et nende aktiivse haardeõppe lähenemisviis kasutab vähem koolitusnäidiseid, et saavutada edukuse määrad, mis on võrreldavad passiivse juhendatud õppemeetodiga, mis on koolitatud analüütilise planeerija genereeritud andmetega. 2020. aastal näitavad teadlased lisaks, et aktiivse õppija loodud haarde kuju on kvalitatiivselt ja kvantitatiivselt suurem.
Arxiv – mitme sõrmega aktiivne haardeõpe
Õppimispõhine haarde planeerimine on muutunud populaarseks viimase kümnendi jooksul, kuna see suudab hästi üldistada uudsetele objektidele, millel on ainult osaline objektiteave. Need lähenemisviisid nõuavad koolituseks suuri andmemahtusid, eriti neid, mis kasutavad sügavaid närvivõrke. Suuremahuline andmete kogumine jääb aga väljakutseks mitme sõrmega haaramiseks, sest (1)
igapäevaelus levinud objektide geomeetria, tekstuur, inertsiaalsed omadused ja välimus on väga erinevad; ja
(2) mitme sõrmega haaratsi konfiguratsioonide suhteliselt suur mõõde (nt 22 mõõdet
käes ja randmes).
Uuemad aktiivõppe lähenemisviisid õpivad interaktiivselt tundma haardemudelit, mis katab paremini haarde konfiguratsiooniruumi erinevate objektide lõikes, kasutades vähem näidiseid, võrreldes passiivse, juhendatud haardeõppijaga. Selle asemel, et passiivselt esile kutsuda hüpoteese olemasolevate treeningandmete selgitamiseks nagu standardse juhendatud õppe puhul, arendab aktiivne õpe uusi hüpoteese pidevalt ja interaktiivselt.
Aktiivõpe on kõige sobivam, kui 1) märgistamata andmeproove on palju, 2) täpse juhendatud õppesüsteemi koolitamiseks on vaja palju märgistatud andmeid ja 3) andmeproove saab hõlpsasti koguda või sünteesida. Haardeõppimine vastab kõigile järgmistele tingimustele: 1) võimalikke haardeid on lõpmatult palju, 2) ruumi katmiseks on vaja palju märgistatud treeningnäidiseid ja 3) robot on oma oraakel – see võib proovida haarata ja automaatselt edu või ebaõnnestumise tuvastamine ilma inimliku märgistuseta.
Teslal on juba füüsilises maailmas objektide automaatne märgistus.
Brian Wang on futuristide mõttejuht ja populaarne teadusblogija, kellel on miljon lugejat kuus. Tema ajaveeb Nextbigfuture.com on teadusuudiste ajaveeb. See hõlmab paljusid häirivaid tehnoloogiaid ja suundumusi, sealhulgas kosmos, robootika, tehisintellekt, meditsiin, vananemisvastane biotehnoloogia ja nanotehnoloogia.
Tuntud tipptasemel tehnoloogiate tuvastamise poolest, on ta praegu suure potentsiaaliga varajases staadiumis ettevõtete käivitamise ja korjanduse kaasasutaja. Ta on süvatehnoloogiainvesteeringuteks eraldatavate teadusuuringute juht ja ingelinvestor Space Angels'is.
Korporatsioonides sagedane esineja, ta on olnud TEDx -esineja, Singularity University esineja ja külaline paljudel raadio- ja taskuhäälingusaadete intervjuudel. Ta on avatud avalikule esinemisele ja nõustamistegevustele.
