Ez egy 2020-as tudományos dolgozat áttekintése, amely a tanulási rendszerek alkalmazásáról szól a robotika karok és kezek tárgyak megfogására való képzésére.
A tervezés tanuláson alapuló megközelítéseit előnyben részesítik az analitikai módszerekkel szemben, mivel képesek jobban általánosítani az új, részben megfigyelt objektumokra. Az adatgyűjtés azonban továbbra is az egyik legnagyobb szűk keresztmetszet a megragadás tanulási módszereiben, különösen a többujjas kezek esetében. A kezek viszonylag nagy dimenziós konfigurációs tere és a mindennapi életben gyakori objektumok sokfélesége párosulva jelentős számú mintát igényel, hogy robusztus és magabiztos megragadási sikerosztályozókat hozzon létre. Ebben a cikkben a kutatók bemutatják a megragadás első olyan aktív mély tanulási megközelítését, amely egységes módon keresi a megragadás konfigurációs terét és az osztályozó megbízhatóságát. A kutatók megközelítésüket arra alapozzák, hogy a közelmúltban sikeresen tervezik a többujjas megfogást, mint valószínűségi következtetést egy tanult neurális hálózat valószínűségi függvényével. Ezt beágyazzák a mintaválasztás többkarú banditáinak megfogalmazásába. Megmutatják, hogy az aktív megragadásos tanulási megközelítésük kevesebb képzési mintát használ a megragadás sikerességének eléréséhez, amely összehasonlítható az analitikus tervező által generált megragadási adatokkal kiképzett passzív felügyelt tanulási módszerrel. 2020-ban a kutatók azt is kimutatták, hogy az aktív tanuló által generált megragadások alakja minőségi és mennyiségi szempontból is változatosabb.
Arxiv – Multi-Fingered Active Grasp Learning
A tanulás alapú megragadási tervezés népszerűvé vált az elmúlt évtizedben, mivel képes jól általánosítani új objektumokra, csak részleges nézetű objektuminformációkkal. Ezek a megközelítések nagy mennyiségű adatot igényelnek a képzéshez, különösen azok, amelyek mély neurális hálózatokat használnak. A nagy léptékű adatgyűjtés azonban továbbra is kihívást jelent a többujjas megragadás számára, mert (1)
a mindennapi életben elterjedt tárgyak geometriája, textúrája, tehetetlenségi tulajdonságai és megjelenése tekintetében nagy eltéréseket mutatnak; és
(2) a többujjas markolat konfigurációk viszonylag nagy mérete (pl. 22 méret a
kéz- és csuklópóz ebben az írásban).
Az újabb aktív tanulási megközelítések interaktív módon tanulnak meg egy megragadási modellt, amely jobban lefedi a megragadás konfigurációs terét a különböző objektumok között, kevesebb minta felhasználásával, mint egy passzív, felügyelt megragadást tanuló tanulóval. Ahelyett, hogy passzívan előadnák a hipotézist a rendelkezésre álló képzési adatok magyarázatára, mint a standard felügyelt tanulás során, az aktív tanulás folyamatosan és interaktívan új hipotéziseket fejleszt és tesztel.
Az aktív tanulás akkor a legmegfelelőbb, ha 1) sok a címkézetlen adatminta, 2) sok címkézett adatra van szükség a pontos felügyelt tanulási rendszer betanításához, és 3) az adatminták könnyen gyűjthetők vagy szintetizálhatók. A megragadás tanulása kielégíti a következő feltételek mindegyikét: 1) végtelenül sok lehetséges megfogás létezik, 2) nagyszámú felcímkézett tréningminta szükséges a tér lefedéséhez, és 3) a robot a saját orákuluma – meg tudja próbálni a fogásokat és automatikusan siker vagy kudarc észlelése emberi címkézés nélkül.
A Tesla már rendelkezik az objektumok automatikus címkézésével a fizikai világban.
Brian Wang futurista gondolatvezető és népszerű tudományos blogger, havi 1 millió olvasóval. Blogja a Nextbigfuture.com a Science News Blog első helyén van. Számos zavaró technológiát és trendet fed le, beleértve az űrt, a robotikát, a mesterséges intelligenciát, az orvostudományt, az öregedésgátló biotechnológiát és a nanotechnológiát.
A legmodernebb technológiák azonosításáról ismert, jelenleg társalapítója a nagy potenciállal rendelkező korai stádiumú cégek indításának és adománygyűjtésének. Ő a mélytechnológiai beruházások elosztásának kutatási vezetője és egy angyalbefektető a Space Angels -nél.
A vállalatok gyakori előadója, volt TEDx -előadó, a Szingularitás Egyetem előadója és számos rádió- és podcast -interjú vendége. Nyitott a nyilvános beszédre és tanácsadásra.
