Sztuczna inteligencja może sprawić, że roboty będą tańsze bez ograniczania ich możliwości

Kategoria: Sztuczna inteligencja Opublikowany 19 lipca

Transferowe uczenie się, czyli umiejętność wykorzystania wiedzy zdobytej wcześniej z jednego kontekstu w innym, może nauczyć tanie roboty tak samo wydajne, jak drogie.

Kontekst: Jednym z najtrudniejszych wyzwań stojących obecnie przed robotyką jest sprawienie, by robot działał płynnie poza laboratorium. W środowisku badawczym możliwe jest wyposażenie robota w drogie czujniki i zapewnienie mu idealnego środowiska do nauki nawigacji. Jednak w realnym świecie używanie tych samych czujników byłoby kosztowne i nieprzyjazne dla konsumentów. Dodatkowo jest niechlujny i niedoskonały.

Propozycja: Naukowcy z Wolnego Uniwersytetu zwrócili się do typu uczenia maszynowego znanego jako uczenie transferowe, aby sprawdzić, czy mogą rozwiązać problem. Uczenie transferowe to proces polegający na przyjmowaniu tego, czego nauczył się algorytm w jednym kontekście, i stosowaniu tego w innym. Można go wykorzystać do dostosowania algorytmu sterującego robotem w laboratorium, tak aby mógł on sterować robotem w świecie rzeczywistym. Oznacza to, że robot mógłby najpierw trenować, korzystając z lepszych czujników i lepszego środowiska, a następnie wykorzystać to, czego się nauczył, nawet jeśli ma tylko tanie czujniki i słabe środowisko.

Wyniki: Aby przetestować ten pomysł, naukowcy stworzyli robota w symulowanym środowisku, którym nawigował najpierw za pomocą ośmiu czujników zbliżeniowych, a następnie za pomocą jednej kamery. Odkryli, że kiedy algorytm sterowania robotem wykorzystywał uczenie transferu do podejmowania decyzji — tylko z dostępem do kamery — nauczył się nawigować po pokoju znacznie szybciej niż wtedy, gdy w ogóle nie wykorzystywał uczenia transferu. Było to również znacznie szybsze niż w przypadku wykorzystywania uczenia się transferowego podczas szkolenia, a nie podejmowania decyzji.

Aby więcej takich historii trafiało bezpośrednio do Twojej skrzynki odbiorczej, zapisz się do naszego nominowanego przez Webby biuletynu AI The Algorithm. Jest wolne.