Deze robot kan je waarschijnlijk verslaan in Jenga - dankzij zijn begrip van de wereld

WETENSCHAP ROBOTICA / COVERBEELD: JOHN HOPKINS UNIVERSITY, WILL KIRK / HOMEWOOD FOTOGRAFIE Science Robotics / Omslagafbeelding: John Hopkins University, WILL KIRK / HOMEWOOD PHOTOGRAPHY

Ondanks de duizelingwekkende vooruitgang in AI, zijn robots nog steeds vreselijk gehandicapt.

Steeds vaker wenden onderzoekers en bedrijven zich tot machine learning om ze adaptiever en handiger te maken. Dit betekent meestal dat je de robot een video geeft van wat ervoor staat en hem vraagt ​​om uit te zoeken hoe hij moet bewegen om dat object te manipuleren. Onderzoekers van OpenAI, een non-profitorganisatie in San Francisco, leerde een robothand om een ​​kinderblok te manipuleren op deze manier.

Maar mensen gebruiken natuurlijk meer dan alleen hun ogen om te leren omgaan met objecten. Visie wordt gecombineerd met tastzin - en we leren al vroeg dat objecten die instabiel zijn geplaatst waarschijnlijk omvallen.

Dat is wat een nieuwe robot inspireerde, ontwikkeld door Nima Fazeli en zijn collega's aan het MIT, die een fundamenteel begrip van de fysica van de echte wereld heeft gekregen - en een bruikbare tastzin.

Het bewees hoe vingervlug het is door te beheersen Jenga , een spel waarbij je blokken moet verwijderen uit een gevaarlijk gemonteerde toren, idealiter zonder dat deze omvalt. De robot toonde ook een soort vindingrijkheid die cruciaal is voor menselijke spelers: beoordelen welk blok hij kan verwijderen zonder dat de toren naar beneden valt.

Het onderzoek is gebaseerd op verschillende kernideeën die zijn ontwikkeld door Josh Tenenbaum , in de afdeling Hersenen en Cognitieve Wetenschappen aan het MIT, en zijn onderzoek naar menselijke cognitie. Dit omvat het idee dat mensen van jongs af aan een intuïtief begrip van natuurkunde ontwikkelen, en dat waarschijnlijkheid de sleutel is tot redeneren over de wereld. Dit verschilt van veel AI-onderzoek van tegenwoordig, dat draait om het voeden van zoveel mogelijk gegevens aan zeer grote of diepe neurale netwerken.

De robot, uitgerust met krachtsensoren en camera's, leert Jenga te spelen door in blokken te prikken en te porren en door visuele en tactiele feedback te gebruiken om een ​​natuurkundig model van de wereld te trainen.

Toen hij werd geconfronteerd met een nieuwe toren van blokken, gebruikte het het model om, waarschijnlijk, af te leiden welk blok het vervolgens zou moeten proberen uit de toren te steken. Je kunt zien hoe goed het was in de video hierboven.

Wetenschap Robotica

Door visie, aanraking en dit model van echte fysica te combineren, kan de robot leren Jenga efficiënter te spelen dan anders mogelijk zou zijn. Het intuïtieve physics-model laat de robot ook snel begrijpen dat een blok dat over een rand hangt hoogstwaarschijnlijk zal vallen. Bij het testen presteerde de aanpak beter dan conventionele methoden voor machinaal leren. Het onderzoek is vandaag gepubliceerd in het tijdschrift Science Robotics .

Deze meer mensachtige leertechniek zou kunnen helpen om fabrieks- en magazijnrobots veel capabeler te maken. Als dat niet lukt, kunnen ze je in ieder geval uitdagen voor een leuk gezelschapsspel.

zich verstoppen