मल्टी-फिंगर एक्टिव ग्रैप लर्निंग

यह रोबोटिक्स हथियारों और हाथों को वस्तुओं को समझने के लिए प्रशिक्षित करने के लिए शिक्षण प्रणालियों का उपयोग करने के बारे में 2020 के अकादमिक पेपर की समीक्षा है।

नई, आंशिक रूप से देखी गई वस्तुओं को बेहतर ढंग से सामान्य बनाने की उनकी क्षमता के कारण सीखने की योजना बनाने के लिए सीखने-आधारित दृष्टिकोण विश्लेषणात्मक तरीकों से अधिक पसंद किए जाते हैं। हालाँकि, डेटा संग्रह सीखने के तरीकों के लिए सबसे बड़ी बाधाओं में से एक है, विशेष रूप से बहु-उँगलियों वाले हाथों के लिए। हाथों के अपेक्षाकृत उच्च आयामी विन्यास स्थान और दैनिक जीवन में सामान्य वस्तुओं की विविधता के साथ मजबूत और आत्मविश्वास से लबरेज सफलता क्लासिफायर तैयार करने के लिए बड़ी संख्या में नमूनों की आवश्यकता होती है। इस पत्र में, शोधकर्ता ग्रैस्पिंग के लिए पहला सक्रिय गहन शिक्षण दृष्टिकोण प्रस्तुत करते हैं जो एक एकीकृत तरीके से ग्रैस्प कॉन्फ़िगरेशन स्पेस और क्लासिफायर कॉन्फिडेंस पर खोज करता है। शोधकर्ताओं ने एक सीखा तंत्रिका नेटवर्क संभावना समारोह के साथ बहु-उंगलियों वाले ग्रैप्स की योजना बनाने में हाल की सफलता पर अपने दृष्टिकोण को संभाव्य अनुमान के रूप में आधार बनाया है। वे इसे नमूना चयन के बहु-सशस्त्र दस्यु सूत्रीकरण के भीतर एम्बेड करते हैं। वे दिखाते हैं कि उनका सक्रिय ग्रैस लर्निंग दृष्टिकोण कम प्रशिक्षण नमूनों का उपयोग करता है ताकि एक विश्लेषणात्मक योजनाकार द्वारा उत्पन्न ग्रैस्पिंग डेटा के साथ प्रशिक्षित निष्क्रिय पर्यवेक्षित शिक्षण पद्धति के साथ तुलनीय सफलता दर का उत्पादन किया जा सके। 2020 में, शोधकर्ता अतिरिक्त रूप से दिखाते हैं कि सक्रिय शिक्षार्थी द्वारा उत्पन्न ग्रैप्स आकार में अधिक गुणात्मक और मात्रात्मक विविधता रखते हैं।

Arxiv - मल्टी-फिंगर एक्टिव ग्रैस्प लर्निंग

केवल आंशिक-दृश्य वस्तु जानकारी के साथ उपन्यास वस्तुओं को अच्छी तरह से सामान्यीकृत करने की क्षमता के कारण, पिछले एक दशक में सीखने-आधारित समझ योजना लोकप्रिय हो गई है। इन दृष्टिकोणों को प्रशिक्षण के लिए बड़ी मात्रा में डेटा की आवश्यकता होती है, विशेष रूप से वे जो गहरे तंत्रिका नेटवर्क का उपयोग करते हैं। हालाँकि, बड़े पैमाने पर डेटा संग्रह बहु-उंगलियों वाले लोभी के लिए एक चुनौती बना हुआ है, क्योंकि (1)
दैनिक जीवन में सामान्य वस्तुएं ज्यामिति, बनावट, जड़त्वीय गुणों और उपस्थिति के संदर्भ में बड़ी भिन्नता प्रदर्शित करती हैं; तथा
(2) बहु-उँगलियों वाले ग्रैस्प कॉन्फ़िगरेशन के अपेक्षाकृत उच्च आयाम, (जैसे के कॉन्फ़िगरेशन के लिए 22 आयाम)
इस पेपर में हाथ और कलाई की मुद्रा)।

नए सक्रिय शिक्षण दृष्टिकोण अंतःक्रियात्मक रूप से एक ग्रैस्प मॉडल सीखते हैं जो एक निष्क्रिय, पर्यवेक्षित ग्रैस शिक्षार्थी की तुलना में कम नमूनों का उपयोग करके विभिन्न वस्तुओं में ग्रैस्प कॉन्फ़िगरेशन स्थान को बेहतर ढंग से कवर करता है। उपलब्ध प्रशिक्षण डेटा को मानक पर्यवेक्षित शिक्षण के रूप में समझाने के लिए एक परिकल्पना को निष्क्रिय रूप से प्रेरित करने के बजाय, सक्रिय शिक्षण लगातार और अंतःक्रियात्मक रूप से नई परिकल्पनाओं का विकास और परीक्षण करता है।

सक्रिय शिक्षण सबसे उपयुक्त होता है जब 1) लेबल रहित डेटा नमूने असंख्य होते हैं, 2) एक सटीक पर्यवेक्षित शिक्षण प्रणाली को प्रशिक्षित करने के लिए बहुत सारे लेबल किए गए डेटा की आवश्यकता होती है, और 3) डेटा नमूने आसानी से एकत्र या संश्लेषित किए जा सकते हैं। ग्रैस्प लर्निंग इन शर्तों में से प्रत्येक को संतुष्ट करता है: 1) असीम रूप से कई संभावित ग्रैप्स हैं, 2) अंतरिक्ष को कवर करने के लिए बड़ी संख्या में लेबल प्रशिक्षण नमूने आवश्यक हैं, और 3) रोबोट अपना खुद का दैवज्ञ है—यह एक ग्रैस्प की कोशिश कर सकता है और स्वचालित रूप से मानव लेबलिंग के बिना सफलता या विफलता का पता लगाना।

टेस्ला के पास पहले से ही भौतिक दुनिया में वस्तुओं की ऑटोलेबलिंग है।