Efter Millioner af Forsøg, Disse Simulerede Mennesker har Lært at Gøre Perfekte Backflips og Vejrmøller
Hjælp veletablerede machine learning teknikker, forskere fra University of California,…
Læs mere Læs
Forskellen med selv-dressing, imidlertid, at der er behov for haptiske perception. Animerede figurer, der har brug for at røre ved deres tøj til at udlede fremskridt. Når man klæder sig, robotterne skal anvende magt til at flytte deres virtuelle arme gennem tøj, og samtidig undgå kræfter, der kan skade tøjet, eller forårsage en hånd eller albue til at sidde fast. Derfor, forskerne var nødt til at tilføje et andet vigtigt element til projektet: en fysik-motor, der er i stand til at simulere trække, strækker og manipulation af plastisk materiale, nemlig klud.
I løbet af uddannelsen, som er en bot vundet point ved med held at gribe fat i kanten af et ærme, eller stikke hovedet gennem krave. Men når en handling resulterede i stykker eller at få sine arme håbløst indviklet, ville det miste point.
Meget hurtigt ind i projektet, men forskerne indså, at en enkelt, sammenhængende dressing politik var ikke at gå på arbejde. Den komplicerede opgave at klæde var nødt til at blive brudt ned i en række sub-politikker. Men det giver mening, når vi underviser børn til at klæde sig selv, lærer vi det et skridt ad gangen. Loven af forbinding ikke kan brydes ned til en enkelt filosofisk politik—det er en trin-for-trin proces, der fører mod et ønsket mål. Clegg ‘ s team har udviklet en politik-sekventering algoritme til dette formål; på ethvert givet tidspunkt, er en animeret bot vidste, hvor det var i dressing processen, og hvilke skridt der var nødvendige ved siden sådan, at det kunne forvejen mod det ønskede mål.
Clegg og hans kolleger siger, at deres nye papir er det første til at vise, at det for at styrke læring, i forbindelse med klud simulering, kan bruges til at undervise i et “robust dressing kontrol-politik” for at bots, selv om det er “nødvendigt at adskille dressing opgave i flere underopgaver” og få systemet til at “lære en politik for kontrol for hver underopgave” for at gøre det arbejde, skriver forfatterne i undersøgelsen.
Vigtigere er det, at undersøgelsen var begrænset til de øverste organ opgaver, der udfører lavere organ dressing opgaver, der ville have indført et helt nyt sæt af komplikationer, såsom opretholdelse af balancen, mens du lægger på bukser. Også, at systemet var beregningsmæssigt krævende. I sidste ende, at de forskere, der ønsker at indarbejde hukommelse i systemet, som kan “reducere antallet af nødvendige underopgaver og giver større generalisering af lærte færdigheder,” skriver forfatterne. Faktisk, som det lille barn, der hurtigt opnår kompetence og fleksibilitet gennem erfaring, forskerne ønsker, at deres system til at gøre det samme.
Som en afsluttende bemærkning, er denne undersøgelse viser, hvor vanskeligt det vil være at skabe kunstig intelligens. Det var en triumf for AI forskning for at skabe maskiner, der kan besejre stormestre i skak og Go, men om at skabe systemer, der kan udføre mere trivielle opgaver, såsom at klæde sig selv—viser sig at være en enorm udfordring.
[Georgia Institute of Technology]
Dele Denne Historie