Aceasta este o revizuire a unei lucrări academice din 2020 despre utilizarea sistemelor de învățare pentru a antrena brațele și mâinile robotice pentru a prinde obiecte.
Abordările bazate pe învățare pentru planificarea înțelegerii sunt preferate în detrimentul metodelor analitice, datorită capacității lor de a se generaliza mai bine la obiecte noi, parțial observate. Cu toate acestea, colectarea de date rămâne una dintre cele mai mari blocaje pentru metodele de învățare prin prindere, în special pentru mâinile cu mai multe degete. Spațiul de configurare dimensional relativ mare al mâinilor, cuplat cu diversitatea obiectelor comune în viața de zi cu zi, necesită un număr semnificativ de eșantioane pentru a produce clasificatori de succes de înțelegere robusti și siguri. În această lucrare, cercetătorii prezintă prima abordare activă de învățare profundă a înțelegerii care caută în spațiul de configurare a captării și încrederea clasificatorului într-o manieră unificată. Cercetătorii își bazează abordarea pe succesul recent în planificarea înțelegerilor cu mai multe degete ca inferență probabilistică cu o funcție de probabilitate a rețelei neuronale învățate. Ei încorporează acest lucru într-o formulă de bandit cu arme multiple de selecție a probei. Ei arată că abordarea lor activă de învățare prin înțelegere folosește mai puține mostre de antrenament pentru a produce rate de succes în înțelegere comparabile cu metoda de învățare supervizată pasivă antrenată cu date de înțelegere generate de un planificator analitic. În 2020, cercetătorii arată în plus că înțelegerile generate de elevul activ au o mai mare diversitate calitativă și cantitativă în formă.
Arxiv – Învățare activă cu mai multe degete
Planificarea de înțelegere bazată pe învățare a devenit populară în ultimul deceniu, datorită capacității sale de a se generaliza bine la obiecte noi, cu informații despre obiect doar cu vizualizare parțială. Aceste abordări necesită cantități mari de date pentru antrenament, în special cele care utilizează rețele neuronale profunde. Cu toate acestea, colectarea datelor la scară largă rămâne o provocare pentru prinderea cu mai multe degete, deoarece (1)
obiectele comune în viața de zi cu zi prezintă variații mari în ceea ce privește geometria, textura, proprietățile inerțiale și aspectul; și
(2) dimensiunea relativ mare a configurațiilor de prindere cu mai multe degete (de exemplu, 22 de dimensiuni pentru configurația de
poza mâinii și încheieturii mâinii în această lucrare).
Abordările mai noi de învățare activă învață în mod interactiv un model de înțelegere care acoperă mai bine spațiul de configurare a înțelegerii pe diferite obiecte, folosind mai puține mostre în comparație cu un cursant pasiv, supravegheat de înțelegere. În loc să induceți pasiv o ipoteză pentru a explica datele de formare disponibile ca în învățarea supervizată standard, învățarea activă dezvoltă și testează noi ipoteze în mod continuu și interactiv.
Învățarea activă este cea mai potrivită atunci când 1) mostrele de date neetichetate sunt numeroase, 2) sunt necesare o mulțime de date etichetate pentru a antrena un sistem de învățare supravegheat precis și 3) mostrele de date pot fi colectate sau sintetizate cu ușurință. Învățarea prin prindere îndeplinește fiecare dintre aceste condiții: 1) există infinit de multe prinderi posibile, 2) un număr mare de mostre de antrenament etichetate sunt necesare pentru a acoperi spațiul și 3) robotul este propriul său oracol - poate încerca o prindere și automat detectarea succesului sau eșecului fără etichetare umană.
Tesla are deja autoetichetarea obiectelor din lumea fizică.
Brian Wang este un lider gânditor futurist și un popular blogger științific, cu 1 milion de cititori pe lună. Blogul său Nextbigfuture.com este clasat pe locul 1 pe Știrile știrilor. Acoperă multe tehnologii și tendințe perturbatoare, inclusiv spațiu, robotică, inteligență artificială, medicină, biotehnologie anti-îmbătrânire și nanotehnologie.
Cunoscut pentru identificarea tehnologiilor de vârf, el este în prezent co-fondator al unui startup și strângere de fonduri pentru companii cu potențial ridicat în faza incipientă. El este șeful cercetării pentru alocări pentru investiții în tehnologie profundă și un investitor înger la Space Angels.
Vorbitor frecvent la corporații, a fost vorbitor TEDx, vorbitor al Singularity University și invitat la numeroase interviuri pentru radio și podcast-uri. El este deschis vorbirii publice și consilierii angajamentelor.
