Pembelajaran Pegangan Aktif Multi-Jari

Ini adalah ulasan makalah akademik 2020 tentang penggunaan sistem pembelajaran untuk melatih lengan dan tangan robotika untuk menggenggam objek.

Pendekatan berbasis pembelajaran untuk memahami perencanaan lebih disukai daripada metode analitis karena kemampuannya untuk menggeneralisasi lebih baik ke objek baru yang sebagian diamati. Namun, pengumpulan data tetap menjadi salah satu hambatan terbesar untuk metode pembelajaran menggenggam, terutama untuk tangan dengan banyak jari. Ruang konfigurasi dimensi tangan yang relatif tinggi ditambah dengan keragaman objek yang umum dalam kehidupan sehari-hari membutuhkan sejumlah besar sampel untuk menghasilkan pengklasifikasi keberhasilan pemahaman yang kuat dan percaya diri. Dalam makalah ini, para peneliti menyajikan pendekatan pembelajaran mendalam aktif pertama untuk menggenggam yang mencari ruang konfigurasi pegang dan kepercayaan pengklasifikasi secara terpadu. Para peneliti mendasarkan pendekatan mereka pada keberhasilan baru-baru ini dalam merencanakan genggaman multi-jari sebagai inferensi probabilistik dengan fungsi kemungkinan jaringan saraf yang dipelajari. Mereka menanamkan ini dalam formulasi pemilihan sampel bandit multi-bersenjata. Mereka menunjukkan bahwa pendekatan pembelajaran pegang aktif mereka menggunakan lebih sedikit sampel pelatihan untuk menghasilkan tingkat keberhasilan pegang yang sebanding dengan metode pembelajaran terawasi pasif yang dilatih dengan menggenggam data yang dihasilkan oleh perencana analitis. Pada tahun 2020, para peneliti juga menunjukkan bahwa genggaman yang dihasilkan oleh pelajar aktif memiliki keragaman kualitatif dan kuantitatif yang lebih besar dalam bentuk.

Arxiv – Pembelajaran Pegangan Aktif Multi-Jari

Perencanaan genggaman berbasis pembelajaran telah menjadi populer selama dekade terakhir, karena kemampuannya untuk menggeneralisasi dengan baik ke objek baru dengan hanya sebagian informasi objek tampilan. Pendekatan ini membutuhkan sejumlah besar data untuk pelatihan, terutama yang memanfaatkan jaringan saraf dalam. Namun, pengumpulan data skala besar tetap menjadi tantangan bagi pemahaman multi-jari, karena (1)
benda-benda umum dalam kehidupan sehari-hari menunjukkan variasi besar dalam hal geometri, tekstur, sifat inersia, dan penampilan; dan
(2) dimensi yang relatif tinggi dari konfigurasi genggaman multi-jari, (misalnya 22 dimensi untuk konfigurasi
pose tangan dan pergelangan tangan dalam makalah ini).

Pendekatan pembelajaran aktif yang lebih baru secara interaktif mempelajari model pegang yang lebih baik mencakup ruang konfigurasi pegang di seluruh objek yang berbeda menggunakan lebih sedikit sampel dibandingkan dengan pembelajar pegang pasif dan terawasi. Alih-alih secara pasif mendorong hipotesis untuk menjelaskan data pelatihan yang tersedia seperti dalam pembelajaran terawasi standar, pembelajaran aktif mengembangkan dan menguji hipotesis baru secara terus menerus dan interaktif.

Pembelajaran aktif paling tepat ketika 1) sampel data yang tidak berlabel banyak, 2) banyak data berlabel diperlukan untuk melatih sistem pembelajaran terawasi yang akurat, dan 3) sampel data dapat dengan mudah dikumpulkan atau disintesis. Pembelajaran menggenggam memenuhi masing-masing kondisi berikut: 1) ada banyak kemungkinan genggaman tak terhingga, 2) sejumlah besar sampel pelatihan berlabel diperlukan untuk menutupi ruang, dan 3) robot adalah oraclenya sendiri—ia dapat mencoba genggaman dan secara otomatis mendeteksi keberhasilan atau kegagalan tanpa pelabelan manusia.

Tesla sudah memiliki pelabelan otomatis objek di dunia fisik.