Noll
Utbildning robotar att göra enkla uppgifter med så kallad djup lärande har haft begränsad framgång, men en San Francisco start erbjuder en strimma av hopp för framtida arbete.
Släkt, en tre-årig start torsdag erbjuds upp en forskning paper presenterat vid 2: a Konferens om Robot Lärande i Zürich, Schweiz.
Huvudsyftet med uppsatsen är att roboticists behovet av att fastställa vissa grundläggande riktmärken om hur maskininlärning, och särskilt djupt lärande, utföra innan verkliga framsteg kan göras.
Det papper som bevisar inte maskininlärning kan lära en robot att gå, utan snarare att det tyder på att det finns sätt att systematiskt identifiera utmaningarna med att göra så, som en grund för det framtida arbetet.
Även: Topp 5: Saker att veta om AI TechRepublic
I rapporten, “Benchmarking Inlärning Algoritmer på Verkliga Robotar”, publicerad på arXiv den 20 September, författare, A. Rupam Mahmood, Dmytro Korenkevych, Gautham Vasan, William Ma, och James Bergstra, tog tre kommersiellt tillgängliga robotar och hade dem röra sig i rymden till en målplats.
Inlärning, en form av artificiella neurala nätverk, som förbättrar systemets fel att fungera som det är få en “belöning”, var anställd i fyra olika smaker. Poängen var att se hur de tre robotar gjorde med fyra olika algoritmer på flera versioner av dessa grundläggande tester av motorisk funktion.
Som författarna noterar, studier hittills har mestadels simulerade robotar inne i ett program, de har inte testat riktigt robotliknande rörelse. Till exempel, Ett 2016 studie av Duan et al., vid University of California, Berkeley, institutionen för elektroteknik och datavetenskap, syftade till att fastställa riktmärken för djupt lärande som simuleras av en dator-genererade automater som rör sig i en typ av video-spel miljö.
Som Mahmood och kollegor skriver i dagens artikel, “Reinforcement learning forskning med verkliga robotar är ännu inte fullt ut ta till sig och engagera sig i den renaste och enklaste formen av inlärning av problemet-en agent att maximera sin belöning genom att lära sig från sina första hand upplevelse av världen.
Studien som genomfördes 450 experiment med robotar över mer än 950 timmar.
Också: MIT ups ante på att få en AI att lära en annan
Robotar de som testades var “UR5,” en Universell Robotics “collaborative arm,” en armatur som kan böja och flytta genom rymden; “MX-64AT Dynamixel,” från Robotis, en “manöverdon” som är populärt för kontroll av ett antal olika robotar, och “iRobot Create2,” ett slags avskalad version av iRobot “Roomba” dammsugare. https://www.irobot.com
En viktig slutsats är att djupt lärande släpar långt efter utbildning av robotar på konventionellt sätt, med skript. “Generellt, RL lösningar släpar manus lösningar, med stor marginal i vissa uppgifter, där sådana lösningar var väl etablerad eller lätt att manus.”
Och rapporten konstaterar att “hyper-parametrar,” variabler av maskininlärning modell som används, måste ställas mycket, mycket noga. I själva verket, djupt lärande modeller inte var i stånd att utföra mycket av någonting utan några betydande arbete pyssla med dessa variabler.
“Resultatet av alla algoritmer var mycket känslig för sin hyper-parametervärden, som kräver re-tuning på nya uppgifter för bästa prestanda”, skriver författarna.
Det låter nedslående, men författarna noterar att använda samma hyper-parametrar för olika uppgifter ledde till resultat som inte var vitt skilda, vilket ger lite hopp om att djupt lärande kan bidra med något så småningom.
Som författarna uttrycker det, “en bra konfiguration [av hyper-parametrar] baserat på en uppgift kan fortfarande ge en bra baslinje prestanda för en annan.” Alltså, de drar slutsatsen att den förstärkning stil djupt lärande är “lönsamt” för forskning “bygger på verkliga experiment” med robotar.
Det finns en del humoristiska detaljer här, i den verkliga problem som dyker upp med fysiska robotar. Några av de DXL enheter erfarna överhettning, vilket ledde dem till att misslyckas när vänster i experiment över en natt. Och Create2 system från iRobot stötte på problem när de lämnas över natten eftersom deras kablar trassla till sig.
Tidigare och relaterade täckning
Vad är AI? Allt du behöver veta
En verkställande guide till artificiell intelligens, från maskininlärning och allmänna AI att neurala nätverk.
Vad är djupt lärande? Allt du behöver veta
Lowdown på djupt lärande: från hur det förhåller sig till de bredare fält av maskinen lärande genom hur man kommer igång med det.
Vad är lärande? Allt du behöver veta
Denna guide förklarar vad lärande är, hur den är relaterad till artificiell intelligens, hur det fungerar och varför det är viktigt.
Vad är cloud computing? Allt du behöver veta om
En introduktion till cloud computing rätt från grunderna upp till IaaS och PaaS, hybrid, offentliga och privata moln.
Relaterade Ämnen:
Robotteknik
Digital Omvandling
CXO
Sakernas Internet
Innovation
Affärssystem
0