Nul
Training robots eenvoudige taken kunt uitvoeren met een zogenaamde deep learning heeft voldaan, met beperkt succes, maar een San Francisco startup biedt een sprankje hoop voor de toekomstige werkzaamheden.
Geslacht, een drie-jaar-oude opstarten, donderdag aangeboden een research paper gepresenteerd op de 2de Conferentie over de Robot Leren in Zürich, Zwitserland.
De strekking van het papier dat roboticists nodig om vast te stellen een aantal fundamentele benchmarks over het machine learning, en vooral diep leren, uit te voeren voordat de echte wereld vooruitgang kan worden gemaakt.
Het papier hoeft niet te bewijzen machine learning kan leren een robot te bewegen; maar het suggereert er zijn manieren om het systematisch in kaart brengen van de uitdagingen om dit te doen, als basis voor toekomstig werk.
Ook: Top 5: Dingen om te weten over AI TechRepublic
In het rapport ‘Benchmarking Reinforcement Learning Algoritmes op de Echte Wereld van Robots” geplaatst op arXiv op 20 September, de auteurs, A. Rupam Mahmood, Dmytro Korenkevych, Gautham Vasan, William Ma, en James Bergstra, nam drie in de handel verkrijgbare robots en had ze zich in de ruimte bewegen naar een nieuwe locatie.
Reinforcement learning, een vorm van kunstmatige neurale netwerken waarin het systeem verbetert de fout functie is gegeven een “beloning”, was werkzaam in vier verschillende smaken. Het punt was om te zien hoe de drie robots deed met vier verschillende algoritmen op meerdere versies van deze fundamentele testen van de motorische functie.
Als de auteurs merken, studies tot nu toe hebben meestal gesimuleerd robots in een software-programma, zij nog niet getest echte robot beweging. Bijvoorbeeld, Een 2016 studie van Duan et al., aan de Universiteit van Berkeley in California department of electrical engineering and computer sciences, gezocht naar benchmarks vaststellen voor diepe leren, zoals gesimuleerd door een computer gegenereerde automaten bewegen in een soort van video-game-omgeving.
Als Mahmood en collega ‘ s schrijven in de huidige, op papier, “Reinforcement learning onderzoek met real-world robots is volledig te omarmen en gaan de puurste en de eenvoudigste vorm van de reinforcement learning probleemstelling-een agent het maximaliseren van de voordelen door te leren uit de eerste hand ervaring van de wereld.
De studie, uitgevoerd 450 experimenten met robots in meer dan 950 uur.
Ook: MIT ups ante in het krijgen van een AI te leren een andere
De robots die ze getest waren de “UR5,” een Universele Robotics “collaborative arm,” een armatuur dat kan buigen en bewegen door de ruimte; de “MX-64AT Dynamixel,” van Robotis, een “actor” die populair is voor de controle van een aantal verschillende robots, en “iRobot Create2,” een soort uitgeklede versie van de iRobot ‘ s “Roomba” stofzuiger. https://www.irobot.com
Een belangrijke bevinding is dat de diepe leerachterstanden weg achter de opleiding van robots op de conventionele manier, met scripts. “Over het algemeen, RL oplossingen werden beter door scripted oplossingen, met een ruime marge in sommige taken, waar dergelijke oplossingen waren goed ingeburgerd of gemakkelijk een script.”
En het rapport merkt op dat “hyper-parameters” variabelen van de machine learning model wordt gebruikt, moet afgestemd worden heel, heel voorzichtig. In feite, diep leren modellen waren niet in staat om veel te bereiken alles zonder een aantal belangrijke werken tweaken van deze variabelen.
“De prestaties van alle algoritmen is zeer gevoelig zijn voor hun hyper-parameter waarden, het opnieuw afstemmen op de nieuwe taken voor de beste prestaties,” de auteurs schrijven.
Dat klinkt ontmoedigend, maar de auteurs merken op dat het gebruik van dezelfde hyper-parameters in de verschillende taken geleid tot resultaten die niet waren heel verschillend zijn, dat geeft hoop dat diep leren kan iets bijdragen uiteindelijk.
Zoals de auteurs het uitdrukte, “een goede configuratie [hyper-parameters] gebaseerd op één taak kan nog steeds een goede uitgangssituatie prestaties voor een ander.” Dus, concluderen ze dat de versterking van de stijl van diep leren is “levensvatbaar” voor onderzoek “, gebaseerd op real-world experimenten” met robots.
Er zijn een aantal humoristische details, ook hier, van de real-world problemen die opduiken met fysieke robots. Sommige van de DXL-eenheden ervaren oververhitting, die leidde hen te mislukken wanneer links in experimenten ‘ s nachts. En de Create2 systemen van iRobot kwam in de problemen toen overnacht omdat hun kabels raakte verstrikt.
Vorige en aanverwante dekking
Wat is AI? Alles wat je moet weten
Een executive gids voor kunstmatige intelligentie, van machine learning en algemene AI-neurale netwerken.
Wat is diep leren? Alles wat je moet weten
De lowdown op diep leren: van hoe het zich verhoudt tot het bredere veld van machine-leren door te zien hoe aan de slag met het.
Wat is machine learning? Alles wat je moet weten
In deze gids wordt uitgelegd wat ‘machine learning’ is, hoe het is in verband met kunstmatige intelligentie, hoe het werkt en waarom het belangrijk is.
Wat is cloud computing? Alles wat u moet weten over
Een introductie van cloud computing recht vanaf de basis tot IaaS en PaaS -, hybride -, public en private cloud.
Verwante Onderwerpen:
Robotica
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software
0