Det här är en recension av en akademisk artikel från 2020 om att använda inlärningssystem för att träna robotarmar och händer för att greppa föremål.
Inlärningsbaserade metoder för att förstå planering föredras framför analytiska metoder på grund av deras förmåga att bättre generalisera till nya, delvis observerade objekt. Datainsamling är dock fortfarande en av de största flaskhalsarna för att förstå inlärningsmetoder, särskilt för händer med flera fingrar. Händernas relativt höga dimensionella konfigurationsutrymme i kombination med mångfalden av föremål som är vanliga i det dagliga livet kräver ett betydande antal prover för att producera robusta och säkra framgångsklassificerare. I den här artikeln presenterar forskare den första aktiva djupinlärningsmetoden för grepp som söker över greppkonfigurationsutrymmet och klassificerarens förtroende på ett enhetligt sätt. Forskare baserar sitt tillvägagångssätt på de senaste framgångarna med att planera flerfingrade grepp som probabilistisk slutledning med en inlärd neural nätverksannolikhetsfunktion. De bäddar in detta i en flerarmad banditformulering av urvalsprov. De visar att deras tillvägagångssätt för aktiv greppinlärning använder färre träningsprover för att producera greppframgångsfrekvenser som är jämförbara med den passiva övervakade inlärningsmetoden som tränas med att greppa data som genereras av en analytisk planerare. År 2020 visar forskare dessutom att grepp som genereras av den aktiva eleven har större kvalitativ och kvantitativ mångfald i form.
Arxiv – Multi-Fingered Active Grasp Learning
Inlärningsbaserad greppplanering har blivit populärt under det senaste decenniet, på grund av dess förmåga att generalisera väl till nya objekt med endast partiell vy av objektinformation. Dessa metoder kräver stora mängder data för träning, särskilt de som använder djupa neurala nätverk. Storskalig datainsamling är dock fortfarande en utmaning för grepp med flera fingrar, eftersom (1)
föremål som är vanliga i det dagliga livet uppvisar stor variation i termer av geometri, textur, tröghetsegenskaper och utseende; och
(2) den relativt höga dimensionen av flerfingrade greppkonfigurationer, (t.ex. 22 dimensioner för konfigurationen av
hand och handled poserar i detta papper).
Nyare tillvägagångssätt för aktiv inlärning lär sig interaktivt en greppmodell som bättre täcker greppkonfigurationsutrymmet över olika objekt med färre prover jämfört med en passiv, övervakad greppinlärare. Istället för att passivt inducera en hypotes för att förklara tillgängliga träningsdata som i standardövervakat lärande, utvecklar och testar aktivt lärande nya hypoteser kontinuerligt och interaktivt.
Aktivt lärande är mest lämpligt när 1) omärkta dataprover är många, 2) mycket märkta data behövs för att träna ett korrekt övervakat inlärningssystem och 3) dataprover enkelt kan samlas in eller syntetiseras. Grip-inlärning uppfyller vart och ett av dessa villkor: 1) det finns oändligt många möjliga grepp, 2) ett stort antal märkta träningsprover är nödvändiga för att täcka utrymmet, och 3) roboten är sitt eget orakel – den kan pröva ett grepp och automatiskt upptäcka framgång eller misslyckande utan mänsklig märkning.
Tesla har redan automärkning av objekt i den fysiska världen.
Brian Wang är en futuristisk tankeledare och en populär vetenskapbloggare med 1 miljon läsare per månad. Hans blogg Nextbigfuture.com är rankad som nummer 1 Science News Blog. Den täcker många störande teknik och trender, inklusive rymd, robotik, artificiell intelligens, medicin, anti-aging bioteknik och nanoteknik.
Känd för att identifiera banbrytande teknik, han är för närvarande en av grundarna av en start och insamling för högpotentiella företag i ett tidigt skede. Han är forskningschef för tilldelningar för djupa teknikinvesteringar och en ängelinvesterare på Space Angels.
Han har ofta varit talare på företag och har varit TEDx -talare, talare vid Singularity University och gäst på många intervjuer för radio och podcaster. Han är öppen för offentliga tal och rådgivning.
