Questa è una revisione di un documento accademico del 2020 sull'utilizzo dei sistemi di apprendimento per addestrare le braccia e le mani robotiche ad afferrare oggetti.
Gli approcci basati sull'apprendimento per comprendere la pianificazione sono preferiti rispetto ai metodi analitici a causa della loro capacità di generalizzare meglio a oggetti nuovi, parzialmente osservati. Tuttavia, la raccolta dei dati rimane uno dei maggiori colli di bottiglia per i metodi di apprendimento della presa, in particolare per le mani con più dita. Lo spazio di configurazione dimensionale relativamente elevato delle mani, unito alla diversità degli oggetti comuni nella vita quotidiana, richiede un numero significativo di campioni per produrre classificatori di successo nella presa robusti e sicuri. In questo articolo, i ricercatori presentano il primo approccio di deep learning attivo alla presa che ricerca lo spazio di configurazione della presa e la fiducia del classificatore in modo unificato. I ricercatori basano il loro approccio sul recente successo nella pianificazione delle prese con più dita come inferenza probabilistica con una funzione di verosimiglianza appresa dalla rete neurale. Lo inseriscono all’interno di una formulazione “bandito multi-armato” di selezione del campione. Mostrano che il loro approccio di apprendimento attivo utilizza meno campioni di formazione per produrre tassi di successo paragonabili al metodo di apprendimento passivo supervisionato addestrato con dati generati da un pianificatore analitico. Nel 2020, i ricercatori mostrano anche che le conoscenze generate dallo studente attivo hanno una maggiore diversità di forme qualitativa e quantitativa.
Arxiv – Apprendimento attivo con più dita
La pianificazione della presa basata sull'apprendimento è diventata popolare negli ultimi dieci anni, grazie alla sua capacità di generalizzare bene a nuovi oggetti con informazioni sugli oggetti solo con visione parziale. Questi approcci richiedono grandi quantità di dati per l’addestramento, in particolare quelli che utilizzano reti neurali profonde. Tuttavia, la raccolta di dati su larga scala rimane una sfida per la presa con più dita, perché (1)
gli oggetti comuni nella vita quotidiana mostrano grandi variazioni in termini di geometria, struttura, proprietà inerziali e aspetto; E
(2) la dimensione relativamente alta delle configurazioni di presa con più dita (ad esempio 22 dimensioni per la configurazione di
posizione della mano e del polso in questo articolo).
I nuovi approcci di apprendimento attivo apprendono in modo interattivo un modello di presa che copre meglio lo spazio di configurazione della presa su diversi oggetti utilizzando meno campioni rispetto a uno studente di presa passivo e supervisionato. Invece di indurre passivamente un’ipotesi per spiegare i dati di formazione disponibili come nell’apprendimento supervisionato standard, l’apprendimento attivo sviluppa e testa nuove ipotesi in modo continuo e interattivo.
L'apprendimento attivo è più appropriato quando 1) i campioni di dati non etichettati sono numerosi, 2) sono necessari molti dati etichettati per addestrare un accurato sistema di apprendimento supervisionato e 3) i campioni di dati possono essere facilmente raccolti o sintetizzati. L'apprendimento della presa soddisfa ciascuna di queste condizioni: 1) ci sono infinite possibilità di presa, 2) è necessario un gran numero di campioni di addestramento etichettati per coprire lo spazio e 3) il robot è il proprio oracolo: può provare a prendere e automaticamente rilevare il successo o il fallimento senza etichettatura umana.
Tesla ha già l’autoetichettatura degli oggetti nel mondo fisico.
Brian Wang è un leader del pensiero futurista e un popolare blogger scientifico con 1 milione di lettori al mese. Il suo blog Nextbigfuture.com è al primo posto tra i blog di notizie scientifiche. Copre molte tecnologie e tendenze dirompenti tra cui spazio, robotica, intelligenza artificiale, medicina, biotecnologia anti-invecchiamento e nanotecnologia.
Noto per l'identificazione di tecnologie all'avanguardia, è attualmente co-fondatore di una startup e raccolta fondi per aziende ad alto potenziale in fase iniziale. È Head of Research for Allocations for Deep Technology Investment e Angel Investor presso Space Angels.
Frequentatore di aziende, è stato speaker TEDx, speaker della Singularity University e ospite in numerose interviste per radio e podcast. È disponibile a parlare in pubblico e ad assumere incarichi di consulenza.
