211service.com
Google buduje robotyczne przedszkole Hive-Mind
Ile robotów potrzeba, aby otworzyć drzwi? Jeśli roboty próbują wymyślić, jak wykonać zadanie od zera, warto zaangażować jak najwięcej osób.
W trzech oddzielnych artykułach naukowych opublikowanych w poniedziałek w Internecie naukowcy z Google i innych spółek zależnych Alphabet pokazali kilka sposobów, dzięki którym roboty mogą szybciej uczyć się wykonywania prostych zadań, dzieląc się różnymi rodzajami doświadczeń edukacyjnych.
Naukowcy szkolą zespoły robotów przemysłowych do wykonywania prostych zadań przy użyciu techniki zwanej uczeniem ze wzmacnianiem, która łączy próby i błędy z pozytywną informacją zwrotną. Na razie te zadania są niezwykle proste, jak otwieranie drzwi lub popychanie przedmiotów. Ale takie postępy będą miały kluczowe znaczenie, jeśli roboty będą kiedykolwiek w stanie pomóc w codziennych pracach, takich jak składanie prania lub zmywanie naczyń.
Cztery roboty ćwiczą otwieranie różnych drzwi.
Chociaż roboty stają się coraz tańsze i bardziej wydajne, zaprogramowanie ich tak, aby zachowywały się niezawodnie w nieprzewidywalnych codziennych sytuacjach, jest prawie niewykonalnym zadaniem. Uczenie się ze wzmocnieniem oferuje rozwiązanie, ponieważ pozwala robotom zasadniczo programować się podczas uczenia się w pracy. Jednak próbowanie przez pojedynczego bota wielu różnych sposobów wykonania zadania może być bardzo czasochłonne. Dzielenie się procesem uczenia się, technika często nazywana robotyką w chmurze, może przyspieszyć ten proces, chociaż pomysł pozostaje na wczesnym etapie (patrz 10 przełomowych technologii: roboty, które uczą się nawzajem ).
W trzech gazetach opublikowanych w poniedziałek Sergey Levine , naukowiec z firmy Google, który kieruje działaniami związanymi z nauką robotów, wraz z kolegami szczegółowo opisują kilka strategii uczenia się, które można rozdzielić w grupie robotów.
W każdym przypadku zaangażowane roboty wykorzystują sieci neuronowe, które próbują przewidzieć wynik różnych działań. Każdy robot nieznacznie zmienia swoje zachowanie, a następnie wzmacnia wariacje, które dają większe nagrody. Sieci te są następnie okresowo przesyłane z powrotem do centralnego serwera, który buduje nową sieć neuronową, która łączy w sobie wszystkie wyuczone zachowania, a sieć ta jest ponownie przesyłana z powrotem do robotów na kolejną rundę szkolenia.
W pierwszym eksperymencie celem było przekręcenie klamki i otwarcie drzwi, a cztery różne roboty miały ćwiczyć różne rodzaje drzwi i klamek. „Ponieważ roboty były szkolone na drzwiach, które różnią się od siebie, ostateczną polityką są drzwi z klamką, których żaden z robotów wcześniej nie widział” – napisał Levine w post na blogu współautorem z Timothym Lillicrapem, badaczem z Google DeepMind i Mrinal Kalakrishnan, badaczem z X, ośrodka badawczego „moonshot” Google.
W drugim eksperymencie proces uczenia się robotów został przyspieszony dzięki interakcji osoby kierującej ramieniem robota. Po trzecie, robot odkrył, jak poruszać i obracać obiekty, korzystając z danych z kamery i wyuczonej umiejętności przewidywania, w jaki sposób działania zmienią obraz – co naukowcy opisują jako prosty fizyczny model świata. Stephanie Tellex , adiunkt na Brown University, który bada uczenie się robotów, mówi, że to ekscytujący pomysł. „Przewidywanie fizycznych skutków działań, takich jak pchanie, jest ekscytujące, ponieważ umożliwia robotowi zrozumienie czegoś o tym, jak działa świat” – mówi.
Firma jest wyraźnie zainteresowana tym, co może być nadchodzącą rewolucją w tej dziedzinie, dzięki zastosowaniu technik uczenia maszynowego. Niektórzy producenci robotyki już teraz badają sposoby wykorzystania uczenia ze wzmacnianiem w celu usprawnienia programowania swoich produktów.
'Oczywiście rodzaje zachowań, których roboty mogą się dzisiaj nauczyć, są nadal dość ograniczone' - napisali autorzy. 'Jednakże w miarę ulepszania algorytmów i szerszego wdrażania robotów ich zdolność do dzielenia się doświadczeniami i łączenia ich może być kluczowa dla umożliwienia im pomagania nam w naszym codziennym życiu.'