멀티 핑거 액티브 파악 학습

이것은 학습 시스템을 사용하여 로봇 팔과 손을 훈련시켜 물체를 잡는 것에 관한 2020년 학술 논문에 대한 리뷰입니다.

계획을 파악하기 위한 학습 기반 접근 방식은 부분적으로 관찰된 새로운 대상을 더 잘 일반화할 수 있는 능력 때문에 분석 방법보다 선호됩니다. 그러나 데이터 수집은 특히 여러 손가락을 사용하는 손에 대한 파악 학습 방법의 가장 큰 병목 중 하나입니다. 일상 생활에서 흔히 볼 수 있는 물체의 다양성과 결합된 상대적으로 높은 차원의 손 구성 공간은 강력하고 자신감 있는 파악 성공 분류기를 생성하기 위해 상당한 수의 샘플을 필요로 합니다. 이 논문에서 연구자들은 파악 구성 공간과 분류기 신뢰도를 통합적으로 탐색하는 파악에 대한 최초의 능동적 딥 러닝 접근 방식을 제시합니다. 연구원들은 학습된 신경망 가능성 함수를 사용하여 확률적 추론으로 다중 손가락 파악을 계획하는 데 최근 성공을 기반으로 접근 방식을 기반으로 합니다. 그들은 이것을 샘플 선택의 multi-armed bandit 공식화에 포함시킵니다. 그들은 능동적인 파악 학습 접근 방식이 분석 계획자가 생성한 데이터 파악으로 훈련된 수동 지도 학습 방법에 필적하는 파악 성공률을 생성하기 위해 더 적은 훈련 샘플을 사용한다는 것을 보여줍니다. 2020년에 연구자들은 능동적 학습자에 의해 생성된 파악의 형태가 질적 및 양적 다양성이 더 크다는 것을 추가로 보여줍니다.

Arxiv – 다중 손가락 능동적 파악 학습

학습 기반 파악 계획은 부분 보기 개체 정보만으로 새로운 개체로 잘 일반화할 수 있는 능력 때문에 지난 1년 동안 인기를 얻었습니다. 이러한 접근 방식은 특히 심층 신경망을 활용하는 훈련을 위해 많은 양의 데이터를 필요로 합니다. 그러나 대규모 데이터 수집은 여러 손가락으로 파악하는 데 여전히 어려운 과제로 남아 있습니다. (XNUMX)
일상 생활에서 흔히 볼 수 있는 물체는 기하학, 질감, 관성 특성 및 외관 측면에서 큰 변화를 보입니다. 그리고
(2) 다중 손가락 그립 구성의 상대적으로 높은 치수(예: 구성의 경우 22개의 치수)
이 문서에서 손과 손목 포즈).

새로운 능동적 학습 접근 방식은 수동적인 지도 파악 학습자와 비교하여 더 적은 샘플을 사용하여 다양한 객체에 걸쳐 파악 구성 공간을 더 잘 다루는 파악 모델을 대화식으로 학습합니다. 표준 지도 학습에서와 같이 사용 가능한 훈련 데이터를 설명하기 위해 가설을 수동적으로 유도하는 대신, 능동적 학습은 새로운 가설을 지속적으로 대화식으로 개발하고 테스트합니다.

능동 학습은 1) 레이블이 지정되지 않은 데이터 샘플이 많고, 2) 정확한 지도 학습 시스템을 훈련하기 위해 레이블이 지정된 데이터가 많고, 3) 데이터 샘플을 쉽게 수집하거나 합성할 수 있는 경우에 가장 적합합니다. 파악 학습은 1) 무한히 많은 가능한 파악이 있고, 2) 공간을 커버하기 위해 많은 수의 레이블이 지정된 훈련 샘플이 필요하고, 3) 로봇이 자체 신탁이며, 파악을 시도하고 자동으로 사람의 레이블 없이 성공 또는 실패를 감지합니다.

Tesla는 이미 물리적 세계에서 물체에 자동 레이블을 지정했습니다.