این مروری بر یک مقاله آکادمیک 2020 در مورد استفاده از سیستم های یادگیری برای آموزش بازوها و دست های روباتیک برای گرفتن اشیا است.
رویکردهای مبتنی بر یادگیری برای برنامه ریزی درک به دلیل توانایی آنها در تعمیم بهتر به اشیاء جدید و نیمه مشاهده شده بر روش های تحلیلی ترجیح داده می شوند. با این حال، جمع آوری داده ها یکی از بزرگترین تنگناها برای روش های یادگیری درک، به ویژه برای دست های چند انگشتی باقی می ماند. فضای پیکربندی ابعادی نسبتاً بالا دست ها همراه با تنوع اشیاء رایج در زندگی روزمره به تعداد قابل توجهی از نمونه ها برای تولید طبقه بندی کننده های موفقیت درک قوی و مطمئن نیاز دارد. در این مقاله، محققان اولین رویکرد یادگیری عمیق فعال را برای درک ارائه می‌کنند که فضای پیکربندی درک و اطمینان طبقه‌بندی‌کننده را به شیوه‌ای یکپارچه جستجو می‌کند. محققان رویکرد خود را بر اساس موفقیت اخیر در برنامه‌ریزی برداشت‌های چند انگشتی به عنوان استنتاج احتمالی با یک تابع احتمال شبکه عصبی آموخته شده است. آنها این را در یک فرمول راهزن چند مسلح از انتخاب نمونه جاسازی کردند. آنها نشان می‌دهند که رویکرد یادگیری درک فعال آنها از نمونه‌های آموزشی کمتری برای تولید نرخ موفقیت درک قابل مقایسه با روش یادگیری غیرفعال نظارت شده آموزش‌دیده با درک داده‌های تولید شده توسط یک برنامه‌ریز تحلیلی استفاده می‌کند. در سال 2020، محققان علاوه بر این نشان دادند که درک های تولید شده توسط یادگیرنده فعال دارای تنوع کیفی و کمی بیشتر در شکل هستند.
Arxiv – آموزش چنگ زدن فعال چند انگشتی
برنامه ریزی درک مبتنی بر یادگیری در دهه گذشته به دلیل توانایی آن در تعمیم خوب به اشیاء جدید با اطلاعات اشیاء با نمای جزئی محبوب شده است. این رویکردها به مقادیر زیادی داده برای آموزش نیاز دارند، به ویژه آنهایی که از شبکه های عصبی عمیق استفاده می کنند. با این حال، جمع آوری داده ها در مقیاس بزرگ یک چالش برای درک چند انگشتی باقی می ماند، زیرا (1)
اشیاء رایج در زندگی روزمره از نظر هندسه، بافت، خواص اینرسی و ظاهر دارای تنوع زیادی هستند. و
(2) ابعاد نسبتاً بالای پیکربندی های چنگ زدن چند انگشتی، (مثلاً 22 بعد برای پیکربندی
حالت دست و مچ در این مقاله).
رویکردهای یادگیری فعال جدیدتر به طور تعاملی یک مدل درک را می آموزند که فضای پیکربندی درک در اشیاء مختلف را با استفاده از نمونه های کمتر در مقایسه با یک یادگیرنده غیرفعال و تحت نظارت بهتر پوشش می دهد. به جای القای منفعلانه فرضیه‌ای برای توضیح داده‌های آموزشی موجود مانند یادگیری تحت نظارت استاندارد، یادگیری فعال فرضیه‌های جدید را به طور مداوم و تعاملی توسعه داده و آزمایش می‌کند.
یادگیری فعال زمانی مناسب‌تر است که 1) نمونه‌های داده بدون برچسب متعدد باشند، 2) داده‌های برچسب‌گذاری‌شده زیادی برای آموزش یک سیستم یادگیری دقیق مورد نیاز باشد، و 3) نمونه‌های داده به راحتی جمع‌آوری یا ترکیب شوند. یادگیری درک هر یک از این شرایط را برآورده می کند: 1) بی نهایت امکان درک وجود دارد، 2) تعداد زیادی نمونه آموزشی با برچسب برای پوشاندن فضا ضروری است، و 3) ربات اوراکل خودش است - می تواند یک برداشت را امتحان کند و به طور خودکار تشخیص موفقیت یا شکست بدون برچسب گذاری انسانی
تسلا قبلاً دارای برچسب گذاری خودکار اجسام در دنیای فیزیکی است.
برایان وانگ یک اندیشمند آینده نگر و یک وبلاگ نویس محبوب علم با 1 میلیون خواننده در ماه است. وبلاگ وی Nextbigfuture.com در رتبه 1 وبلاگ اخبار علم قرار دارد. این شامل بسیاری از فن آوری ها و روندهای مخرب از جمله فضا ، روباتیک ، هوش مصنوعی ، پزشکی ، بیوتکنولوژی ضد پیری و نانوتکنولوژی است.
او که به دلیل شناسایی فناوری های پیشرفته شهرت دارد ، در حال حاضر یکی از بنیانگذاران یک استارتاپ و جمع آوری کمک های مالی برای شرکت های بالقوه در مراحل اولیه است. او رئیس تحقیقات تخصیص سرمایه گذاری در فناوری عمیق و سرمایه گذار فرشته در Space Angels است.
او یک سخنران مکرر در شرکتها بوده است ، او سخنران TEDx ، سخنران دانشگاه Singularity و مهمان مصاحبه های متعدد برای رادیو و پادکست بوده است. او برای مشارکت عمومی و مشاوره مشارکت دارد.
