Το μεγαλύτερο μέρος της κάλυψης της ανθρωποειδούς ρομποτικής έχει επικεντρωθεί ευνόητα στη σχεδίαση υλικού. Δεδομένης της συχνότητας με την οποία οι προγραμματιστές τους πετούν γύρω από τη φράση “ανθρωποειδή γενικής χρήσης”, θα πρέπει να δοθεί περισσότερη προσοχή στο πρώτο κομμάτι. Μετά από δεκαετίες συστημάτων ενός σκοπού, το άλμα σε πιο γενικευμένα συστήματα θα είναι μεγάλο. Απλώς δεν είμαστε ακόμα εκεί.
Η ώθηση για την παρ
αγωγή
μιας ρομποτικής νοημοσύνης που μπορεί να αξιοποιήσει πλήρως το μεγάλο εύρος των κινήσεων που ανοίγει από το δίποδο ανθρωποειδές
σχέδιο
ήταν ένα βασικό θέμα για τους ερευνητές. Η χρήση της γενεσιουργής τεχνητής νοημοσύνης στη ρομποτική είναι επίσης ένα θέμα που έχει γίνει ασαφές πρόσφατα.
Νέα έρευνα
από το MIT επισημαίνει πώς το δεύτερο μπορεί να επηρεάσει βαθιά το πρώτο.
Μία από τις μεγαλύτερες προκλήσεις στο δρόμο προς τα συστήματα γενικής χρήσης είναι η εκπαίδευση. Έχουμε πλήρη αντίληψη σχετικά με τις βέλτιστες πρακτικές για την εκπαίδευση των ανθρώπων πώς να κάνουν διαφορετικές δουλειές. Οι προσεγγίσεις στη ρομποτική, αν και υποσχόμενες, είναι κατακερματισμένες. Υπάρχουν πολλές ελπιδοφόρες μέθοδοι, συμπεριλαμβανομένης της ενίσχυσης και της εκμάθησης μίμησης, αλλά οι μελλοντικές λύσεις πιθανότατα θα περιλαμβάνουν συνδυασμούς αυτών των μεθόδων, επαυξημένοι από μοντέλα παραγωγής τεχνητής νοημοσύνης.
Μία από τις κύριες περιπτώσεις χρήσης που προτείνει η ομάδα του MIT είναι η δυνατότητα συλλογής σχετικών πληροφοριών από αυτά τα μικρά σύνολα δεδομένων για συγκεκριμένες εργασίες. Η μέθοδος έχει ονομαστεί σύνθεση πολιτικής (PoCo). Οι εργασίες περιλαμβάνουν χρήσιμες ενέργειες
ρομπότ
, όπως το χτύπημα σε ένα καρφί και το χτύπημα των πραγμάτων με μια σπάτουλα.
“[Researchers] εκπαιδεύστε ένα ξεχωριστό μοντέλο διάχυσης για να μάθετε μια στρατηγική ή μια πολιτική για την ολοκλήρωση μιας εργασίας χρησιμοποιώντας ένα συγκεκριμένο σύνολο δεδομένων», σημειώνει το σχολείο. «Στη συνέχεια συνδυάζουν τις πολιτικές που μαθαίνονται από τα μοντέλα διάχυσης σε μια γενική πολιτική που επιτρέπει σε ένα ρομπότ να εκτελεί πολλαπλές εργασίες σε διάφορες
ρυθμίσεις
».
Σύμφωνα με το MIT, η ενσωμάτωση μοντέλων διάχυσης βελτίωσε την
απόδοση
εργασιών κατά 20%. Αυτό περιλαμβάνει τη δυνατότητα εκτέλεσης εργασιών που απαιτούν πολλαπλά εργαλεία, καθώς και την εκμάθηση/προσαρμογή σε άγνωστες εργασίες. Το σύστημα είναι σε θέση να συνδυάζει σχετικές πληροφορίες από διαφορετικά σύνολα δεδομένων σε μια αλυσίδα ενεργειών που απαιτούνται για την εκτέλεση μιας εργασίας.
«Ένα από τα πλεονεκτήματα αυτής της προσέγγισης είναι ότι μπορούμε να συνδυάσουμε πολιτικές για να πάρουμε το καλύτερο και από τους δύο κόσμους», λέει ο επικεφαλής συγγραφέας της εφημερίδας, Lirui Wang. «Για παράδειγμα, μια πολιτική που εκπαιδεύεται σε δεδομένα πραγματικού κόσμου μπορεί να είναι σε θέση να επιτύχει περισσότερη επιδεξιότητα, ενώ μια πολιτική που εκπαιδεύεται στην προσομοίωση μπορεί να είναι σε θέση να επιτύχει μεγαλύτερη γενίκευση».
Στόχος της συγκεκριμένης εργασίας είναι η δημιουργία συστημάτων νοημοσύνης που επιτρέπουν στα ρομπότ να ανταλλάσσουν διαφορετικά εργαλεία για να εκτελούν διαφορετικές εργασίες. Η εξάπλωση συστημάτων πολλαπλών χρήσεων θα έφερνε τη βιομηχανία ένα βήμα πιο κοντά στο όνειρο γενικής χρήσης.
VIA:
techcrunch.com
0