זוהי סקירה של מאמר אקדמי משנת 2020 על שימוש במערכות למידה לאימון זרועות וידיים רובוטיות לתפוס חפצים.
גישות מבוססות למידה לתכנון תפיסה עדיפות על פני שיטות אנליטיות בשל יכולתן להכליל טוב יותר לאובייקטים חדשים, שנצפו חלקית. עם זאת, איסוף נתונים נותר אחד מצווארי הבקבוק הגדולים ביותר לאחיזה של שיטות למידה, במיוחד עבור ידיים מרובות אצבעות. מרחב התצורה הממדים הגבוה יחסית של הידיים יחד עם מגוון החפצים הנפוצים בחיי היומיום דורשים מספר לא מבוטל של דגימות כדי לייצר מסווגי הצלחה חזקים ובטוחים. במאמר זה, החוקרים מציגים את גישת הלמידה העמוקה הפעילה הראשונה לתפיסה המחפשת את מרחב תצורת האחיזה ואת ביטחון המסווגים באופן מאוחד. החוקרים מבססים את גישתם על ההצלחה האחרונה בתכנון אחיזה מרובה אצבעות כהסקה הסתברותית עם פונקציית סבירות נלמדת של רשת עצבית. הם מטמיעים את זה בתוך ניסוח שודדים רב זרועות של בחירת מדגם. הם מראים שגישת הלמידה האחיזה הפעילה שלהם משתמשת בפחות דגימות אימון כדי לייצר אחוזי הצלחה בתפיסה המשתווים לשיטת הלמידה הפסיבית בפיקוח המאומנת עם תפיסת נתונים שנוצרו על ידי מתכנן אנליטי. בשנת 2020, חוקרים מראים בנוסף שלתפיסות שנוצרו על ידי הלומד הפעיל יש גיוון איכותי וכמותי גדול יותר בצורה.
Arxiv – למידת אחיזה פעילה מרובה אצבעות
תכנון אחיזה מבוסס למידה הפך לפופולרי בעשור האחרון, בגלל יכולתו להכליל היטב לאובייקטים חדשים עם מידע אובייקטי במבט חלקי בלבד. גישות אלה דורשות כמויות גדולות של נתונים לאימון, במיוחד אלה המשתמשות ברשתות עצביות עמוקות. עם זאת, איסוף נתונים בקנה מידה גדול נותר אתגר לאחיזה מרובה אצבעות, מכיוון (1)
חפצים הנפוצים בחיי היומיום מציגים שונות גדולה במונחים של גיאומטריה, מרקם, תכונות אינרציאליות ומראה; ו
(2) הממד הגבוה יחסית של תצורות אחיזה מרובה אצבעות, (למשל 22 מימדים לתצורה של
תנוחת היד והשורש בעיתון זה).
גישות למידה אקטיביות חדשות יותר לומדות באופן אינטראקטיבי מודל אחיזה המכסה טוב יותר את מרחב תצורת האחיזה על פני אובייקטים שונים תוך שימוש בפחות דוגמאות בהשוואה ללומד אחיזה פסיבי בפיקוח. במקום לעורר באופן פסיבי השערה להסביר את נתוני ההכשרה הזמינים כמו בלמידה מפוקחת סטנדרטית, למידה אקטיבית מפתחת ובודקת השערות חדשות באופן רציף ואינטראקטיבי.
למידה פעילה מתאימה ביותר כאשר 1) דגימות נתונים ללא תווית הן רבות, 2) יש צורך בהרבה נתונים מסומנים כדי להכשיר מערכת למידה מפוקחת מדויקת, ו-3) ניתן לאסוף או לסנתז דגימות נתונים בקלות. למידת אחיזה עונה על כל אחד מהתנאים הבאים: 1) יש אינסוף נקודות אחיזה אפשריות, 2) יש צורך במספר רב של דגימות אימון מסווגות כדי לכסות את החלל, ו-3) הרובוט הוא האורקל שלו - הוא יכול לנסות אחיזה ובאופן אוטומטי זיהוי הצלחה או כישלון ללא תיוג אנושי.
לטסלה כבר יש תיוג אוטומטי של עצמים בעולם הפיזי.
בריאן וואנג הוא מוביל מחשבה עתידני ובלוגר מדע פופולרי עם מיליון קוראים בחודש. הבלוג שלו Nextbigfuture.com מדורג במקום ה -1 בלוג חדשות המדע. הוא מכסה טכנולוגיות ומגמות משבשות רבות, כולל חלל, רובוטיקה, בינה מלאכותית, רפואה, ביוטכנולוגיה אנטי-אייג'ינג וננוטכנולוגיה.
הוא ידוע בזיהוי טכנולוגיות חדישות, כיום הוא מייסד שותף של סטארט-אפ וגיוס תרומות עבור חברות בשלב מוקדם פוטנציאלי. הוא ראש המחקר להקצאות השקעות טכנולוגיות עמוקות ומשקיע אנג'ל במלאכי חלל.
הוא היה דובר תכופים בתאגידים, הוא היה דובר TEDx, דובר באוניברסיטת סינגולריות והתארח בראיונות רבים לרדיו ולפודקאסטים. הוא פתוח לנאום וליווי התקשרויות בפומבי.
