Opfylder de Mest Adræt Fingre Robot Endnu – MIT Technology Review

University of California, Berkeley, professor Ken Goldberg (til venstre) og Siemens Research Group hoved, Juan Aparicio.

Inde i en smukt indrettede lab ved University of California, Berkeley, en almindelig udseende robot har udviklet en usædvanlig evne til at afhente akavet og usædvanlige genstande. Hvad der er fantastisk, selv om, er, at robotten fik så god til at tage fat ved at arbejde med virtuelle objekter.

Robotten lært, hvad slags greb bør arbejde for forskellige elementer, ved at studere en store data-sæt af 3-D figurer og egnet griber. UC Berkeley forskere fed billeder til en stor dyb-læring neurale netværk, forbundet til en off-the-shelf 3-D-sensor og en standard robot arm. Når en ny genstand, der er placeret foran den, og den robot dybt-learning system hurtigt at tal ud af, hvad forståelse armen skal bruge.

Den bot er væsentligt bedre, end noget som tidligere er udviklet. I forsøg, hvor det var mere end 50 procent sikker på, at det kan gribe et objekt, er det lykkedes at løfte post og ryster den, uden at slippe objektet 98 procent af tiden. Når robotten var i tvivl, det ville stikke objekt for at finde ud af en bedre forståelse. Efter at gøre at det var en succes ved at løfte det, at 99 procent af tiden. Dette er et væsentligt skridt op fra tidligere metoder, siger forskere.

Det arbejde, der viser, hvordan nye tilgange til robot læring, kombineret med evnen til robotter til at få adgang til oplysninger via cloud, kunne rykke kapaciteter af robotter på fabrikker og lagre, og måske endda gøre det muligt for disse maskiner til at gøre nyttigt arbejde i nye indstillinger som hospitaler og hjem (se “10 Banebrydende Teknologier 2017: Robotter, Der Underviser hinanden”). Det er beskrevet i en artikel til at blive offentliggjort på en stor robotteknologi konference, der blev afholdt i juli.

Mange forskere arbejder på, hvordan robotter til at lære at forstå og manipulere ting ved at øve igen og igen, men den proces er meget tidskrævende. Den nye robot lærer uden at behøve at øve, og det er betydeligt bedre end nogen tidligere system. “Vi producerer bedre resultater, men uden at denne slags eksperimenter,” siger Ken Goldberg, professor på UC Berkeley, der ledede arbejdet. “Vi er meget begejstrede for dette.”

I stedet for at praktisere i den virkelige verden, robotten lært ved at fodre på et datasæt af mere end tusinde objekter, der omfatter deres 3-D form, udseende og fysik for at gribe fat i dem. Dette datasæt blev brugt til at træne robotten er dybt-learning system. “Vi kan generere tilstrækkelige data for dybt neurale netværk i en dag eller så i stedet for at køre måneder af fysiske forsøg på en rigtig robot,” siger Lars Mahler, en postdoc forsker, der arbejdede på projektet.

Abonnere på Weekend Læser
Vores guide til historier i arkiverne for at sætte teknologien i perspektiv.

Tilmeld

Tak — tjek venligst din e-mail for at bekræfte dit abonnement.
Forkert e-mail-format

Administrer dine indstillinger for nyhedsbrev

Goldberg og kolleger planlægger at frigive de data de har skabt. Offentlige data sæt har været vigtigt for at fremme den state of the art i computer vision, og nu nye 3-D datasæt, der lover at hjælpe robotter forhånd.

Stefanie Tellex, en assisterende professor ved Brown University, der har specialiseret sig i robot læring, beskriver den forskning som “en big deal,” at bemærke, at det vil kunne fremskynde besværlig maskine-læring.

“Det er svært at indsamle store datamængder af robot-data,” Tellex siger. “Dette papir er spændende, fordi det viser, at de simulerede data, der kan bruges til at træne en model for at gribe. Og denne model svarer til de virkelige succeser på en fysisk robot.”

Fremskridt i kontrol algoritmer og maskine-læring, sammen med ny hardware, er støt opbygningen af et fundament, som en ny generation af robotter, der vil fungere. Disse systemer vil være i stand til at udføre en meget bredere vifte af daglige opgaver. Mere adræt fingre maskiner er i virkeligheden allerede truffet på manuel arbejdskraft, der længe har ligget uden for rækkevidde (se “En Robot med Hovedet i Sky Tackler Lager Picking”).

Russ Tedrake, en MIT professor, der arbejder med robotter, siger en række forsknings-grupper gør fremskridt på meget mere i stand behændig robotter. Han tilføjer, at UC Berkeley arbejde er imponerende, fordi det kombinerer nyere machine-learning metoder med mere traditionelle tilgange, der involverer argumentation over formen af en genstand.

Fremkomsten af mere behændig robotter, der kan have betydelige økonomiske konsekvenser, også. Robotterne har fundet på de fabrikker, der i dag er bemærkelsesværdigt præcise og målrettede, men det er utrolig klodset, når de står med en ukendt genstand. En række virksomheder, herunder Amazon, er at bruge robotter i pakhuse, men indtil videre er det kun for at flytte varer rundt, og ikke til at vælge objekter for ordrer.

UC Berkeley forskere samarbejdede med Juan Aparicio, en forskergruppe hovedet på Siemens. Den tyske virksomhed er interesseret i at kommercialisere cloud robotics, blandt andre forbundet produktionsteknologier.

Aparicio siger forskningen er spændende, fordi pålideligheden af armen tilbyder en tydelig sti mod kommercialisering.

Udviklingen i maskinen fingerfærdighed kan også være væsentlige for udviklingen af kunstig intelligens. Håndelag spillet en afgørende rolle i udviklingen af den menneskelige intelligens, danner en god feedback-loop med skarpere syn og øge hjernens magt. Evnen til at manipulere virkelige objekter mere effektivt synes bestemt til at spille en rolle i udviklingen af kunstig intelligens, også.


Date:

by