Học nắm bắt chủ động nhiều ngón

Đây là đánh giá của một bài báo học năm 2020 về việc sử dụng các hệ thống học tập để huấn luyện cánh tay và bàn tay của người máy để cầm nắm đồ vật.

Các phương pháp tiếp cận dựa trên học tập để lập kế hoạch nắm bắt được ưa thích hơn các phương pháp phân tích do khả năng khái quát hóa tốt hơn đối với các đối tượng mới, được quan sát một phần. Tuy nhiên, việc thu thập dữ liệu vẫn là một trong những nút thắt lớn nhất đối với các phương pháp học nắm bắt, đặc biệt là đối với bàn tay nhiều ngón. Không gian cấu hình chiều tương đối cao của bàn tay cùng với sự đa dạng của các đối tượng phổ biến trong cuộc sống hàng ngày đòi hỏi một số lượng mẫu đáng kể để tạo ra các bộ phân loại thành công nắm bắt chắc chắn và tự tin. Trong bài báo này, các nhà nghiên cứu trình bày cách tiếp cận học sâu chủ động đầu tiên để nắm bắt các tìm kiếm trên không gian cấu hình nắm bắt và độ tin cậy của trình phân loại theo một cách thống nhất. Các nhà nghiên cứu dựa trên cách tiếp cận của họ thành công gần đây trong việc lập kế hoạch nắm bắt nhiều ngón tay như một suy luận xác suất với một hàm khả năng mạng nơ-ron đã học được. Họ nhúng điều này vào một công thức chọn mẫu chia nhiều nhánh. Họ chỉ ra rằng phương pháp học nắm bắt chủ động của họ sử dụng ít mẫu đào tạo hơn để tạo ra tỷ lệ nắm bắt thành công tương đương với phương pháp học tập có giám sát thụ động được đào tạo với dữ liệu nắm bắt do một người lập kế hoạch phân tích tạo ra. Vào năm 2020, các nhà nghiên cứu cũng chỉ ra rằng các nắm bắt được tạo ra bởi người học tích cực có hình dạng đa dạng hơn về chất lượng và định lượng.

Arxiv - Học nắm bắt chủ động nhiều ngón

Lập kế hoạch nắm bắt dựa trên cơ sở học tập đã trở nên phổ biến trong thập kỷ qua, vì khả năng khái quát hóa tốt đối với các đối tượng mới lạ với thông tin đối tượng chỉ xem một phần. Những cách tiếp cận này yêu cầu một lượng lớn dữ liệu để đào tạo, đặc biệt là những cách sử dụng mạng nơ-ron sâu. Tuy nhiên, việc thu thập dữ liệu quy mô lớn vẫn là một thách thức đối với việc nắm bắt nhiều ngón tay, bởi vì (1)
các vật thể thông thường trong cuộc sống hàng ngày có sự biến đổi lớn về hình học, kết cấu, tính chất quán tính và hình thức bên ngoài; và
(2) kích thước tương đối cao của cấu hình nắm nhiều ngón, (ví dụ: 22 kích thước cho cấu hình của
tư thế tay và cổ tay trong bài báo này).

Các phương pháp học tập chủ động mới hơn học một cách tương tác mô hình nắm bắt bao phủ tốt hơn không gian cấu hình nắm bắt trên các đối tượng khác nhau bằng cách sử dụng ít mẫu hơn so với người học nắm bắt thụ động, có giám sát. Thay vì đưa ra giả thuyết một cách thụ động để giải thích dữ liệu đào tạo có sẵn như trong học tập có giám sát tiêu chuẩn, học tập tích cực phát triển và kiểm tra các giả thuyết mới một cách liên tục và tương tác.

Học chủ động thích hợp nhất khi 1) mẫu dữ liệu không được gắn nhãn là rất nhiều, 2) cần nhiều dữ liệu được gắn nhãn để đào tạo một hệ thống học có giám sát chính xác và 3) mẫu dữ liệu có thể dễ dàng thu thập hoặc tổng hợp. Học nắm bắt thỏa mãn từng điều kiện sau: 1) có thể có vô số cách nắm bắt, 2) một số lượng lớn các mẫu đào tạo được gắn nhãn là cần thiết để bao phủ không gian và 3) rô bốt là tiên tri của chính nó — nó có thể thử nắm bắt và tự động phát hiện thành công hoặc thất bại mà không cần con người dán nhãn.

Tesla đã có tính năng tự động gắn nhãn cho các đối tượng trong thế giới vật chất.