Witamy na uniwersytecie robotów (tylko roboty wymagają zgłoszenia)

Zdjęcie ramienia robota Pan Tech

Jednym z niedocenianych bohaterów rewolucji AI jest mało znana baza danych o nazwie ImageNet . Stworzony przez naukowców z Princeton University, ImageNet zawiera około 14 milionów obrazów, a każdy z nich jest opatrzony adnotacjami za pomocą crowdsourcingowego tekstu, który wyjaśnia, co przedstawia obraz.

ImageNet jest ważny, ponieważ jest to baza danych, na której zjada zęby wiele dzisiejszych potężnych sieci neuronowych. Sieci neuronowe uczą się, patrząc na obrazy i towarzyszący im tekst — a im większa baza danych, tym lepiej się uczą. Bez ImageNet i innych podobnych zbiorów danych wizualnych nawet najpotężniejsze sieci neuronowe nie byłyby w stanie niczego rozpoznać.

Teraz robotycy twierdzą, że chcą wypróbować podobne podejście z wideo, aby nauczyć swoich podopiecznych interakcji z otoczeniem. Sudeep Dasari z Uniwersytetu Kalifornijskiego w Berkeley wraz z kolegami tworzą bazę danych o nazwie RoboNet, składającą się z opatrzonych adnotacjami danych wideo robotów w akcji. Na przykład dane mogą obejmować wiele przypadków, w których robot przesuwa kubek po stole. Pomysł polega na tym, że każdy może pobrać te dane i wykorzystać je, aby wytrenować sieć neuronową robota, aby przenosić kubki, nawet jeśli nigdy wcześniej nie wchodził w interakcję z kubkiem.

Dasari i spółka mają nadzieję, że zbudują swoją bazę danych w zasób, który może wstępnie wytrenować prawie każdego robota do wykonywania niemal każdego zadania — rodzaj uniwersytetu robotów, który zespół nazywa RoboNet.

Do tej pory robotycy odnosili ograniczone sukcesy w nauczaniu swoich podopiecznych nawigacji i interakcji ze środowiskiem. Ich podejście to standardowa technika uczenia maszynowego, którą ImageNet pomógł spopularyzować.

Zaczynają od zarejestrowania sposobu, w jaki robot wchodzi w interakcję z, powiedzmy, pędzlem, aby poruszać nim po powierzchni. Następnie nagrywają o wiele więcej filmów z jego ruchu i wykorzystują dane do trenowania sieci neuronowej, jak najlepiej wykonać akcję.

Sztuką jest oczywiście posiadanie dużej ilości danych — innymi słowy, niezliczonych godzin filmów, z których można się uczyć. A kiedy robot opanuje poruszanie pędzlem, musi przejść tę samą procedurę uczenia się, aby poruszać prawie cokolwiek innego, czy to łyżką, czy okularami. Jeśli środowisko ulegnie zmianie, te systemy uczenia się zazwyczaj muszą zaczynać się od nowa.

Powszechna praktyka ponownego gromadzenia danych od podstaw dla każdego nowego środowiska zasadniczo oznacza ponowne nauczenie się podstawowej wiedzy o świecie — niepotrzebny wysiłek, powiedzmy Dasari i spółka.

RoboNet radzi sobie z tym. Mówią, że proponujemy RoboNet, otwartą bazę danych do dzielenia się doświadczeniami z robotyki. Więc każdy robot może uczyć się z doświadczenia innego.

Aby uruchomić bazę danych, zespół nagrał już około 15 milionów klatek wideo z zadaniami przy użyciu siedmiu różnych typów robotów z różnymi chwytakami w różnych środowiskach.

Dasari i spółka pokazują, jak wykorzystać tę bazę danych do wstępnego szkolenia robotów do zadań, których nigdy wcześniej nie próbowali. I twierdzą, że roboty przeszkolone przy użyciu tego podejścia działają lepiej niż te, które były szkolone konwencjonalnie na jeszcze większej ilości danych.

ten Dane RoboNet jest dostępny dla każdego. I oczywiście Dasari i spółka mają nadzieję, że inne zespoły badawcze zaczną wnosić swój własny wkład, aby RoboNet stał się ogromnym źródłem robo-learningu.

To imponująca praca, która ma duży potencjał. Zdaniem zespołu prace te stanowią pierwszy krok w kierunku stworzenia robotycznych agentów, które mogą działać w wielu różnych środowiskach i na różnym sprzęcie.

Oczywiście stoją przed nami poważne wyzwania. Na przykład badacze muszą ustalić, jak najlepiej wykorzystać dane — jury wciąż nie zastanawia się nad najskuteczniejszymi reżimami treningowymi. Mamy nadzieję, że RoboNet zainspiruje szersze społeczności robotyki i uczenia się ze wzmocnieniem do zbadania, jak skalować algorytmy uczenia się ze wzmocnieniem, aby sprostać złożoności rzeczywistego świata.

Rezultat jest zarówno imponujący, jak i skłania do myślenia: rodzaj uniwersytetu robotów, który może zapewnić każdemu robotowi umiejętności, których potrzebuje, aby się nauczyć.

ImageNet jest kluczowym czynnikiem, dzięki któremu widzenie maszynowe jest tak dobre jak ludzie w rozpoznawaniu obiektów. Jeśli RoboNet odniesie tylko połowę mniej sukcesów, będzie to imponujący zysk.

Nr ref.: arxiv.org/abs/1910.11215 : RoboNet: uczenie się wielu robotów na dużą skalę

ukryć