Περιεχόμενα Άρθρου
- Τα ρομπότ αγωνίζονται να μάθουν το ένα από το άλλο και βασίζονται στην ανθρώπινη διδασκαλία
- Νέα έρευνα από το UC Berkeley δείχνει ότι η διαδικασία θα μπορούσε να αυτοματοποιηθεί
- Αυτό θα εξαλείψει τους αγώνες της χειροκίνητης εκπαίδευσης ρομπότ
Παρά το γεγονός ότι τα ρομπότ ενσωματώνονται όλο και περισσότερο σε περιβάλλοντα πραγματικού κόσμου, μία από τις σημαντικότερες προκλήσεις στην έρευνα της ρομποτικής είναι να διασφαλιστεί ότι οι συσκευές μπορούν να προσαρμοστούν αποτελεσματικά σε νέες εργασίες και περιβάλλοντα.
Παραδοσιακά, η εκπαίδευση για τον έλεγχο συγκεκριμένων δεξιοτήτων απαιτεί μεγάλο όγκο δεδομένων και εξειδικευμένη εκπαίδευση για κάθε μοντέλο ρομπότ – αλλά για να ξεπεραστούν αυτοί οι περιορισμοί, οι ερευνητές εστιάζουν τώρα στη δημιουργία υπολογιστικών πλαισίων που επιτρέπουν τη μεταφορά δεξιοτήτων σε διαφορετικά ρομπότ.
Μια νέα εξέλιξη στη ρομποτική προέρχεται από ερευνητές στο UC Berkeley, οι οποίοι εισήγαγαν το RoVi-Aug – ένα πλαίσιο που έχει σχεδιαστεί για να αυξάνει τα ρομποτικά δεδομένα και να διευκολύνει τη μεταφορά δεξιοτήτων.
Η πρόκληση της μεταφοράς δεξιοτήτων μεταξύ ρομπότ
Για να διευκολυνθεί η διαδικασία εκπαίδευσης στη ρομποτική, υπάρχει ανάγκη να μπορούμε να μεταφέρουμε δεξιότητες που έχουν μάθει από το ένα ρομπότ στο άλλο, ακόμη κι αν αυτά τα ρομπότ έχουν διαφορετικό υλικό και σχεδιασμό. Αυτή η δυνατότητα θα διευκόλυνε την ανάπτυξη ρομπότ σε ένα ευρύ φάσμα εφαρμογών χωρίς να χρειάζεται να εκπαιδεύσετε εκ νέου το καθένα από την αρχή.
Ωστόσο, σε πολλά τρέχοντα σύνολα δεδομένων ρομποτικής υπάρχει μια άνιση κατανομή σκηνών και επιδείξεων. Ορισμένα ρομπότ, όπως οι χειριστές Franka και xArm, κυριαρχούν σε αυτά τα σύνολα δεδομένων, καθιστώντας δυσκολότερη τη γενίκευση των μαθησιακών δεξιοτήτων σε άλλα ρομπότ.
Για να αντιμετωπίσει τους περιορισμούς των υπαρχόντων συνόλων δεδομένων και μοντέλων, η ομάδα του UC Berkeley ανέπτυξε το πλαίσιο RoVi-Aug το οποίο χρησιμοποιεί μοντέλα διάχυσης τελευταίας τεχνολογίας για να αυξήσει τα ρομποτικά δεδομένα. Το πλαίσιο λειτουργεί παράγοντας συνθετικές οπτικές επιδείξεις που ποικίλλουν τόσο στον τύπο ρομπότ όσο και στις γωνίες της κάμερας. Αυτό επιτρέπει στους ερευνητές να εκπαιδεύουν ρομπότ σε ένα ευρύτερο φάσμα επιδείξεων, επιτρέποντας πιο αποτελεσματική μεταφορά δεξιοτήτων.
Το πλαίσιο αποτελείται από δύο βασικά στοιχεία: τη μονάδα αύξησης ρομπότ (Ro-Aug) και τη μονάδα αύξησης οπτικής γωνίας (Vi-Aug).
Η μονάδα Ro-Aug δημιουργεί επιδείξεις που περιλαμβάνουν διαφορετικά ρομποτικά συστήματα, ενώ η μονάδα Vi-Aug δημιουργεί επιδείξεις που καταγράφονται από διάφορες γωνίες κάμερας. Μαζί, αυτές οι ενότητες παρέχουν ένα πλουσιότερο και πιο ποικίλο σύνολο δεδομένων για εκπαίδευση ρομπότ, συμβάλλοντας στη γεφύρωση του χάσματος μεταξύ διαφορετικών μοντέλων και εργασιών.
“Η επιτυχία των σύγχρονων συστημάτων μηχανικής μάθησης, ιδιαίτερα των μοντέλων παραγωγής, επιδεικνύει εντυπωσιακή γενίκευση και παρακινεί τους ερευνητές της ρομποτικής να διερευνήσουν πώς να επιτύχουν παρόμοια γενίκευση στη ρομποτική,” Lawrence Chen (Υποψήφιος διδάκτορας, AUTOLab, EECS & IEOR, BAIR, UC Berkeley ) και Chenfeng Xu (υποψήφιος διδάκτορας, Pallas Lab & MSC Lab, EECS & ME, BAIR, UC Berkeley), είπε Tech Xplore.
Μπορεί επίσης να σας αρέσει
