Felgyorsítanák a robotkarok betanítását a Berkeley kutatói

Felgyorsítanák a robotkarok betanítását a Berkeley kutatói

Felgyorsítanák a robotkarok betanítását a Berkeley Egyetem kutatói

gyártás

2 perc

A gépi tanulás fejlődése számos robotikai képességet eredményezett, beleértve a tárgyak megfogását, eltolását, elhúzását és más hasonló műveleteket. Az általános jellegű algoritmusok alkalmazhatósága azonban sok szempontból korlátolt volt. Ezen kívánnak változtatni a kaliforniai Berkeley Egyetem kutatói.

A tudósok egy olyan hatékony robotkezelési keretrendszert (Efficient Robotic Manipulation, FERM) dolgoztak ki, amely állításuk szerint a speciális algoritmusoknak köszönhetően 15-50 perc alatt tíz különféle műveletet is képes betanítani a robotkaroknak. Legyen szó a tárgyak eléréséről, megfogásáról, elmozgatásáról vagy elhúzásáról. Sőt, az újítás révén egy kapcsoló megnyomása és a fiók kihúzása sem okoz problémát a gépeknek.

A FERM elősegítheti az automatizáció felé történő elmozdulás felgyorsítását azáltal, hogy pixel alapú megerősítő tanulást tesz lehetővé. A gépi tanulás ezen típusának lényege, hogy az algoritmusok képileg rögzített bemutatók alapján képesek elvégezni az adott feladatot. A FERM először csak kisebb mennyiségű adatot tárol a visszajátszási pufferben, majd kódolja azokat. A megerősítő tanulási algoritmus révén pedig képes kiterjeszteni a kódolás és a bemutatás során rögzített képeket.

A művelethez magára a robotra, egy grafikus kártyára, két kamerára, a műveletek képi illusztrálásra és a „jutalmazási” funkcióra van szükség, amely a megerősítéses tanulási algoritmust az elérni kívánt cél felé tereli. A kapcsolódó kísérletek során a FERM 25 perc alatt 6 feladatot tanított be egy xArm-nak átlagosan 96,7%-os sikeraránnyal. A robotkar olyan tárgyakat is képes volt általános jelleggel felismerni, amelyeket meg sem mutattak részére a tréning során, illetve a munkáját akadályozó tényezőket is észlelte.

Ugyanakkor a teljes képhez hozzátartozik, hogy az ehhez hasonló, nyílt forráskódú keretrendszerek hatékonysága nehezen mérhető, mivel a fizikai értelemben vett eredmény mérésére használt mutatók a feladattól függően változhatnak. Márpedig speciális környezetben – például a világűrben – használt robotok esetén a pontosság a legfontosabb tényező.

Továbbá ahogyan arra Ken Goldberg robotikai szakértő is felhívta a figyelmet, a gépek – a nagymértékű fejlődés ellenére – egyelőre igencsak távol állnak attól, hogy az emberéhez hasonló teljesítményt legyenek képesek nyújtani.

Forrás: