Robotok tanítása Robotok tanítása
Az új rendszer, a C-LEARN a robotizált tanulás két hagyományos elemét ötvözi – a demonstrációból való tanulást és az úgynevezett mozgástervezést, amelyeket a fejlesztőknek keményen kódolniuk kell. Szerintük ennek az új technikának az a célja, hogy megkönnyítse a robotok számára a feladatok széles skáláját, kevesebb programozással.
"A robotok sokat segíthetnének, ha többen használhatnák őket" Claudia Perez-D’Arpino, a projekten dolgozó PhD-jelölt elmondta a Digital Trends-nek. Elmagyarázta, hogy a csapat célja az volt, hogy fenntartsák a legmodernebb programozók által biztosított magas szintű készségeket, miközben lehetővé tették a rendszer számára, hogy demonstráción keresztül tanuljon.
Ajánlott videók
A robotok programozása akár egyetlen feladat elvégzésére is bonyolult lehet, pontos utasításokat igényel, amelyek kódolása időt vesz igénybe. Ehelyett Perez-D'Arpino és csapata kifejlesztette a C-LEARN-t, hogy a szakértők a saját területükhöz leginkább kapcsolódó feladatokra összpontosíthassanak. Ezzel a rendszerrel a nem kódolók bit adatokat adhatnak a robotoknak egy műveletről, majd kitölthetik a hiányosságokat azáltal, hogy bemutatják a robotnak az adott feladatot bemutató bemutatót.
Jason Dorfman / MIT CSAIL
„Szerettük… felhatalmazni [szakértőket], hogy megtanítsák a robotokat, hogyan tervezzenek olyan feladatokat, amelyek kritikusak az alkalmazási területükön” – mondta Pérez-D’Arpino. „Az elmúlt években a demonstrációkból való tanulás terén elért haladás ebbe az irányba halad”
A C-LEARN tapasztalatok halmozásával működik, amit a kutatók tudásbázisnak neveznek. Ez az alap geometriai információkat tartalmaz az objektumok eléréséről és megfogásáról. Ezután az emberi kezelő 3D-s bemutatót mutat a robotnak az adott feladatról. Ha tudásbázisát a megfigyelt cselekvéshez kapcsolja, a robot javaslatokat tehet a műveletek legjobb végrehajtására, a kezelő pedig jóváhagyhatja vagy szerkesztheti a javaslatokat, ahogy jónak látja.
„Ez a tudásbázis átvihető egyik robotról a másikra” – mondta Pérez-D’Arpino. „Képzeld el, hogy a robotod egy „alkalmazást” tölt le a manipulációs készségekhez. Az „alkalmazás” képes alkalmazkodni az új, más testű robothoz, köszönhetően a megtanult korlátok rugalmasságának, amelyek matematikai a feladat mögöttes geometriai követelményének ábrázolása, amely különbözik egy adott út megtanulásától, amely esetleg nem valósítható meg a új robottest.”
Más szavakkal, a C-LEARN lehetővé teszi a tudás átadását és a kontextushoz való alkalmazkodását – olyan, mint ahogy egy sportoló megtanulhat készség egy sportágban, és kissé módosítsa, hogy jobban teljesítsen egy másik sportágban anélkül, hogy teljesen újra kellene tanulnia akció.
A kutatók a C-LEARN-t Optimus-on tesztelték, egy kis kétkarú roboton, amelyet bombaelhárításra terveztek, mielőtt sikeresen átadták volna a képességet Atlasnak, egy hat láb magas humanoidnak. Úgy gondolják, hogy a rendszer segíthet a robotok teljesítményének javításában a gyártásban és a katasztrófaelhárításban, hogy gyorsabb reagálást tegyen lehetővé időérzékeny helyzetekben.
Szerkesztői ajánlások
- Az MIT megtanulja, hogy a robotokat kevésbé ügyetlenné tegye azáltal, hogy kamerákat helyez az ujjaikba
- Nézze meg, ahogy az MIT Mini Cheetahs feltámad a robotapokalipszisre
- Az MIT kígyórobotját úgy tervezték, hogy átmásszon az agy vérereiben
- Az MIT fenegyerekei kaptak egy robotot, hogy megbirkózzanak a vírusos #BottleCapChallenge-vel
- Japán kutatók mély tanulási A.I. hogy uszadékfa robotokat mozgassunk
Frissítse életmódjátA Digital Trends segítségével az olvasók nyomon követhetik a technológia rohanó világát a legfrissebb hírekkel, szórakoztató termékismertetőkkel, éleslátó szerkesztőségekkel és egyedülálló betekintésekkel.
