Nul
Robotter er gode til at håndtere forudsigelige, miljøer, men de menneskelige fodgænger adfærd kan være svært at forudse. Det er især tilfældet i vanvid at fange D-toget i myldretiden. En gruppe af MIT forskere er på sagen og tilføjer, at en voksende mængde af akademisk arbejde, der sigter mod at give robotter nogle af de værktøjer, vi (i hvert fald dem af os, der bor i overfyldte byer) tager for givet: Street intuition.
I et papir med titlen “Dybt sekventielle modeller for prøvetagning-baseret planlægning,” forskere skitsere en metode til robot navigation, der udnytter traditionelle vej planlægning algoritmer, der analyserer en række muligheder i realtid og vælge den optimale valg, med et neuralt netværk, der lærer over tid ved at observere og interagere med mennesker.
Tilføjelse af et neuralt netværk retsmidler, der er et problem med traditionelle vej planlægning, der bygger på en forgrening beslutningstræ, som vurderer de miljømæssige forhold. Papir co-forfatter Andrej Barbu, en forsker ved MIT ‘ s Computer Science and Artificial Intelligence Laboratory (CSAIL), forklarer, hvorfor der er mindre end ideelt:
“Ligesom når man spiller skak, disse beslutninger gren ud, indtil [robotter] finde en god måde at navigere på. Men i modsætning til skak spillere, [robotter] undersøge, hvad fremtiden ser ud, uden at lære meget om deres miljø og andre agenter. Det tusindedel gang de går gennem den samme mængden er så kompliceret som den første gang. De er altid på opdagelse, sjældent at observere, og aldrig at bruge, hvad der er sket i fortiden.”
Sidste år skrev jeg om en gruppe på Stanford forskere, der arbejder på en socialt bevidst selvkørende robot i stand til at navigere i et travlt college campus. Stanford projekt, der ligeledes beskæftiger traditionelle vej planlægningsalgoritmer, men øger det med machine learning til at sætte robotter til at udlede mønstre i den tilsyneladende tilfældigt bevægelser af mennesker suser gennem menneskemængden.
“Vi er ikke planer om en hele vejen til målet-det giver ikke mening at gøre det længere, især hvis du er forudsat, at verden er i forandring,” sagde Michael Everett, en forsker på projektet, sagde sidste år. “Vi skal bare se på, hvad vi ser, skal du vælge en hastighed, der gør det til en tiendedel af et sekund, så kig på verden igen, vælger en anden hastighed, og gå igen.”
MIT team specifikt testet sin model i tilfælde, hvor en robot bliver nødt til at navigere i et miljø befolket af flere agenter. Simuleringen trak på et scenarie, frygtet af mange menneskers drivere: rundkørslen.
“Situationer som rundkørsler er svært, fordi de kræver en argumentation om, hvordan andre vil reagere på dine handlinger, hvordan vil du så reagere på deres, hvad de vil gøre næste, og så videre,” Barbu siger. “Du sidst opdage din første handling var forkert, fordi der senere vil det medføre en ulykke. Dette problem får eksponentielt værre jo flere biler, du nødt til at kæmpe med.”
Valget af en vej scenario var ikke nogen tilfældighed. Mens forskning viser, at en strategi, der kan hjælpe robotter navigere i en række uforudsigelige miljøer, acceleration af autonome køretøjer udvikling i de seneste par år øger behovet for en next gen rute planlægning.
“Ikke alle opfører sig på samme måde, men folk er meget stereotype. Der er mennesker, der er genert, folk, der er aggressive. Modellen anerkender, at det hurtigt, og det er derfor, man kan planlægge effektivt,” Barbu siger.
Relaterede Emner:
Innovation
CXO
Kunstig Intelligens
0