Nul
Uddannelse robotter til at udføre enkle opgaver med såkaldte dybe læring har haft begrænset succes, men en San Francisco opstart tilbyder et glimt af håb for det fremtidige arbejde.
Kindred, en tre-årig start, torsdag tilbudt en forskning papir præsenteret på 2. Konference om Robot Læring i Zürich, Schweiz.
Stak af papir er, at roboticists nødt til at etablere nogle grundlæggende benchmarks om, hvordan machine learning, og særligt dyb læring, udføre, før den virkelige verden, der kan gøres fremskridt.
Det papir, der ikke bevise machine learning kan lære en robot til at flytte, men snarere, at det tyder på, at der er måder til systematisk at identificere de udfordringer, der er for at gøre det, som et grundlag for det fremtidige arbejde.
Også: Top 5: Ting at vide om AI TechRepublic
I rapporten “Benchmarking Reinforcement Learning Algoritmer i den Virkelige Verden Robotter,” sendt på arXiv on September 20th, forfattere, A. Rupam Mahmood, Dmytro Korenkevych, Gautham Vasan, William Ma, og James Bergstra, tog tre kommercielt tilgængelige robotter og fik dem til at bevæge sig i rummet til et mål.
Reinforcement learning, som er en form for kunstige neurale netværk, hvor systemet forbedrer fejl funktion, da det er givet en “belønning”, var ansat i fire forskellige smagsvarianter. Pointen var at se, hvordan de tre robotter gjorde med fire forskellige algoritmer på flere versioner af disse grundlæggende test af den motoriske funktion.
Som forfatterne bemærker, undersøgelser til dato har for det meste simulerede robotter inde i et program, de ikke har testet rigtig robot bevægelse. For eksempel, En 2016 undersøgelse af Duan et al., på University of California i Berkeley ‘ s institut for elektroteknologi og datalogi, forsøgte at etablere benchmarks for dyb læring, som simuleres ved computer-genereret automater, der bevæger sig i en slags video-game-miljø.
Som Mahmood og kolleger til at skrive i den aktuelle papir, “Styrkelse læring forskning i den virkelige verden robotter er endnu ikke fuldt ud at omfavne og inddrage den reneste og simpleste form af styrkelse læring problemformulering-en agent maksimere sine gevinster ved at lære af sine første hånd erfaring af verden.
Undersøgelsen, der blev udført 450 forsøg med robotter i mere end 950 timer.
Også: MIT ups ante i at få en AI til at undervise en anden
De robotter, som de har testet, var de “UR5,” en Universel Robotics “collaborative arm,” et anker, der kan bøje og bevæge sig gennem rummet; “MX-64AT Dynamixel,” fra Robotis, en “actuator”, der er populær til kontrol af en række forskellige robotter, og “iRobot Create2,” en slags stripped-down version af iRobot ‘ s “Roomba” støvsuger. https://www.irobot.com
En væsentlig konklusion er, at dyb læring halter langt bagud i forhold til uddannelse af robotter på den traditionelle måde, med scripts. “Alt i alt RL solutions blev udkonkurreret af scriptede løsninger, med en stor margen i nogle opgaver, hvor sådanne løsninger blev godt etableret, eller let at manuskriptet.”
Og rapporten konstaterer, at “hyper-parametre,” variabler af machine learning model, der anvendes, er nødt til at være indstillet meget, meget omhyggeligt. I virkeligheden, dyb læring modeller, der ikke var i stand til at udføre meget af noget uden nogle betydelige arbejde, tweaking disse variabler.
“Udførelsen af alle algoritmer, der var meget følsomme over for deres hyper-parameter-værdier, der kræver re-tuning om nye opgaver for de bedste resultater,” skriver forfatterne.
Der skal lyde nedslående, men forfatterne bemærker, at du bruger den samme hyper-parametre på tværs af forskellige opgaver, der har ført til resultater, der ikke var vildt forskellige, hvilket giver nogle håber, at den dybe læring kan bidrage med noget i sidste ende.
Som forfatterne udtrykker det, “en god konfiguration [hyper-parametre] baseret på en opgave, kan stadig give en god baseline resultater for en anden.” Derfor, de konkluderer, at den styrkelse stil dyb læring er “rentabelt” for forskning “er baseret på virkelige eksperimenter” med robotter.
Der er nogle humoristiske detaljer her, for på den virkelige verdens problemer, der dukker op med fysiske robotter. Nogle af DXL enheder erfarne overophedning, som førte dem til at mislykkes, når venstre i eksperimenter natten over. Og Create2-systemer fra iRobot løb ind i problemer, når venstre natten, fordi deres kabler fik sammenfiltrede op.
Tidligere og relaterede dækning
Hvad er AI? Alt, hvad du behøver at vide
En executive guide til kunstig intelligens, fra machine learning og generelt AI til neurale netværk.
Hvad er dyb læring? Alt, hvad du behøver at vide
Den lowdown på en dyb læring: fra hvordan det relaterer til det bredere felt af machine learning igennem til, hvordan du kommer i gang med det.
Hvad er machine learning? Alt, hvad du behøver at vide
Denne vejledning forklarer, hvad machine learning er, hvordan det er relateret til kunstig intelligens, hvordan det fungerer, og hvorfor det er vigtigt.
Hvad er cloud computing? Alt, hvad du behøver at vide om
En introduktion til cloud computing-lige fra det grundlæggende op til IaaS og PaaS, hybrid, offentlige og private cloud.
Relaterede Emner:
Robotteknologi
Digital Transformation
CXO
Tingenes Internet
Innovation
Virksomhedens Software
0