Tämä on katsaus vuoden 2020 akateemiseen paperiin, joka käsittelee oppimisjärjestelmien käyttöä robotiikan käsien ja käsien harjoittamiseen tarttumaan esineisiin.
Oppimiseen perustuvat lähestymistavat oivaltamiseen ovat parempia kuin analyyttisiä menetelmiä, koska ne pystyvät paremmin yleistämään uusiin, osittain havaittuihin objekteihin. Tiedonkeruu on kuitenkin edelleen yksi suurimmista pullonkauloista tarttuaoppimismenetelmille, erityisesti monisormille käsille. Käsien suhteellisen suuri konfiguraatiotila yhdistettynä arkielämässä yleisten esineiden monimuotoisuuteen vaatii huomattavan määrän näytteitä vankkojen ja luotettavien onnistumisluokittajien tuottamiseksi. Tässä artikkelissa tutkijat esittelevät ensimmäisen aktiivisen syväoppimisen lähestymistavan tarttumiseen, joka etsii tartuntakonfiguraatiotilaa ja luokittelijan luottamusta yhtenäisellä tavalla. Tutkijat perustavat lähestymistapansa viimeaikaiseen menestykseen monisormeisten tartuntojen suunnittelussa todennäköisyyspohjaisena päätelmänä opitun hermoverkon todennäköisyysfunktion avulla. He upottavat tämän monikätiseen rosvomuotoiseen näytteenvalintaan. He osoittavat, että heidän aktiivisen oivalluksensa oppimisen lähestymistapa käyttää harvempia harjoitusnäytteitä saadakseen onnistumisprosentit, jotka ovat verrattavissa passiiviseen ohjattuun oppimismenetelmään, joka on koulutettu analyyttisen suunnittelijan tuottaman tartuntatiedon avulla. Vuonna 2020 tutkijat osoittavat lisäksi, että aktiivisen oppijan synnyttämillä käsityksillä on muodoltaan suurempi laadullinen ja määrällinen monimuotoisuus.
Arxiv – Multi-Fingered Active Grasp Learning
Oppimiseen perustuva otesuunnittelu on tullut suosituksi viimeisen vuosikymmenen aikana, koska se pystyy yleistämään hyvin uusiin objekteihin, joissa on vain osittainen näkymä. Nämä lähestymistavat vaativat suuria tietomääriä koulutukseen, erityisesti ne, jotka käyttävät syviä hermoverkkoja. Suuren mittakaavan tiedonkeruu on kuitenkin edelleen haaste monisormelle tarttualle, koska (1)
jokapäiväisessä elämässä yleisillä esineillä on suuria vaihteluita geometrian, tekstuurin, inertiaominaisuuksien ja ulkonäön suhteen; ja
(2) monisormeisten tartuntakokoonpanojen suhteellisen suuri ulottuvuus (esim. 22 mittaa
käsi- ja ranteenasento tässä paperissa).
Uudemmat aktiivisen oppimisen lähestymistavat vuorovaikutteisesti oppivat tartuntamallin, joka kattaa paremmin tartunnan konfiguraatiotilan eri kohteissa käyttämällä vähemmän näytteitä kuin passiivinen, valvottu tartuntaoppija. Sen sijaan, että passiivisesti esitettäisiin hypoteesia selittämään saatavilla olevaa koulutusdataa, kuten tavallisessa ohjatussa oppimisessa, aktiivinen oppiminen kehittää ja testaa uusia hypoteeseja jatkuvasti ja vuorovaikutteisesti.
Aktiivinen oppiminen on tarkoituksenmukaisinta, kun 1) merkitsemättömiä datanäytteitä on useita, 2) tarvitaan paljon merkittyä dataa tarkan ohjatun oppimisjärjestelmän kouluttamiseen ja 3) tietonäytteet voidaan helposti kerätä tai syntetisoida. Tartuntaoppiminen täyttää kaikki nämä ehdot: 1) mahdollisia tartuntoja on äärettömän monta, 2) suuri määrä merkittyjä harjoitusnäytteitä tarvitaan tilan peittämiseen ja 3) robotti on oma oraakkelinsa – se voi yrittää tartuntaa ja automaattisesti onnistumisen tai epäonnistumisen havaitseminen ilman ihmisen merkitsemistä.
Teslassa on jo fyysisen maailman esineiden automaattinen merkintä.
Brian Wang on futuristisen ajattelun johtaja ja suosittu Science -bloggaaja, jolla on miljoona lukijaa kuukaudessa. Hänen bloginsa Nextbigfuture.com on sijalla 1 Science News Blog. Se kattaa monia häiritseviä tekniikoita ja suuntauksia, kuten avaruus, robotiikka, tekoäly, lääketiede, ikääntymistä estävä biotekniikka ja nanoteknologia.
Hän tunnetaan huipputeknologioiden tunnistamisesta, ja hän on tällä hetkellä perustaja ja varainkeräys korkean mahdollisen alkuvaiheen yrityksille. Hän on syvän teknologian investointien tutkimuksen johtaja ja Space Angelsin enkelisijoittaja.
Hän on usein puhunut yrityksissä, hän on ollut TEDx -puhuja, Singularity University -puhuja ja vieraana lukuisissa radio- ja podcast -haastatteluissa. Hän on avoin julkiselle puhumiselle ja neuvoille.
