Deze robot leert mokken oppakken door eerst een theorie van mugness te leren

Categorie: Kunstmatige intelligentie Geplaatst 19 maart

Ondanks alle recente vooruitgang op het gebied van machine-intelligentie, hebben robots nog steeds moeite om relatief eenvoudige taken aan nieuwe situaties aan te passen. Neem bijvoorbeeld een mok oppakken en aan een mokkenrek hangen; zelfs kleine veranderingen in de vorm, grootte, kleur en oriëntatie van een mok kunnen een robot afstoten.

in een nieuwe papier , stellen onderzoekers van MIT nu een nieuwe techniek voor om robots te helpen hun leerproces te generaliseren met relatief weinig gegevens. Ze doen dit door een neuraal netwerk te trainen om slechts een paar belangrijke punten te extraheren uit een mok of ander object dat moet worden opgepakt en geplaatst, waardoor de robot een visuele routekaart krijgt voor het grijpen en oriënteren. Tijdens het testen ontdekten ze dat de bot slechts drie sleutelpunten nodig had voor een mok - één in het midden van de zijkant, één aan de onderkant en één op het handvat - en zes belangrijke punten voor een schoen.

In tegenstelling tot eerdere technieken waarbij honderden of zelfs duizenden voorbeelden nodig zijn voor een robot om te leren een mok op te pakken die hij nog nooit eerder heeft gezien, nadering vereist slechts enkele tientallen. De onderzoekers waren in staat om het neurale netwerk te trainen op 60 scènes van mokken en 60 scènes van schoenen om een ​​vergelijkbaar prestatieniveau te bereiken. Toen het systeem aanvankelijk geen hoge hakken oppikte omdat er geen in de dataset waren, losten ze het probleem snel op door een paar gelabelde scènes van hoge hakken aan de gegevens toe te voegen.

Het team hoopt de aanpak te gebruiken om grotere taken aan te pakken, zoals het uitruimen van een vaatwasser of het afvegen van een aanrecht.

Dit verhaal verscheen oorspronkelijk in onze AI-nieuwsbrief The Algorithm. Om het direct in je inbox te krijgen, kun je je hier gratis aanmelden.