Aprendizagem de compreensão ativa com vários dedos

Esta é uma revisão de um artigo acadêmico de 2020 sobre o uso de sistemas de aprendizagem para treinar braços e mãos robóticas para agarrar objetos.

As abordagens baseadas na aprendizagem para compreender o planejamento são preferidas aos métodos analíticos devido à sua capacidade de generalizar melhor para objetos novos parcialmente observados. No entanto, a recolha de dados continua a ser um dos maiores obstáculos aos métodos de aprendizagem de preensão, especialmente para mãos com vários dedos. O espaço de configuração dimensional relativamente elevado das mãos, juntamente com a diversidade de objetos comuns na vida diária, requer um número significativo de amostras para produzir classificadores de sucesso de apreensão robustos e confiáveis. Neste artigo, os pesquisadores apresentam a primeira abordagem ativa de aprendizagem profunda para compreensão que pesquisa o espaço de configuração de compreensão e a confiança do classificador de maneira unificada. Os pesquisadores baseiam sua abordagem no sucesso recente no planejamento de capturas multidedos como inferência probabilística com uma função de verossimilhança de rede neural aprendida. Eles incorporam isso em uma formulação de seleção de amostras de bandidos multi-armados. Eles mostram que sua abordagem de aprendizagem de compreensão ativa usa menos amostras de treinamento para produzir taxas de sucesso de compreensão comparáveis ​​ao método de aprendizagem supervisionada passiva treinada com dados de compreensão gerados por um planejador analítico. Em 2020, os pesquisadores também mostram que as apreensões geradas pelo aluno ativo têm maior diversidade qualitativa e quantitativa.

Arxiv – Aprendizagem de compreensão ativa com vários dedos

O planejamento de compreensão baseado na aprendizagem tornou-se popular na última década, devido à sua capacidade de generalizar bem para novos objetos com apenas informações de visão parcial do objeto. Essas abordagens requerem grandes quantidades de dados para treinamento, principalmente aquelas que utilizam redes neurais profundas. No entanto, a recolha de dados em grande escala continua a ser um desafio para a apreensão multi-dedos, porque (1)
objetos comuns na vida diária apresentam grande variação em termos de geometria, textura, propriedades inerciais e aparência; e
(2) a dimensão relativamente alta das configurações de preensão com vários dedos (por exemplo, 22 dimensões para a configuração de
pose de mão e pulso neste artigo).

As abordagens de aprendizagem ativa mais recentes aprendem interativamente um modelo de compreensão que cobre melhor o espaço de configuração de compreensão em diferentes objetos usando menos amostras em comparação com um aluno de compreensão passivo e supervisionado. Em vez de induzir passivamente uma hipótese para explicar os dados de treino disponíveis, como na aprendizagem supervisionada padrão, a aprendizagem activa desenvolve e testa novas hipóteses de forma contínua e interactiva.

A aprendizagem ativa é mais apropriada quando 1) as amostras de dados não rotuladas são numerosas, 2) são necessários muitos dados rotulados para treinar um sistema de aprendizagem supervisionado preciso e 3) as amostras de dados podem ser facilmente coletadas ou sintetizadas. O aprendizado por compreensão satisfaz cada uma destas condições: 1) há infinitas possibilidades de compreensão, 2) um grande número de amostras de treinamento rotuladas são necessárias para cobrir o espaço e 3) o robô é seu próprio oráculo – ele pode tentar uma compreensão e automaticamente detectar sucesso ou fracasso sem rotulagem humana.

Tesla já possui rotulagem automática de objetos no mundo físico.