211service.com
Google bouwt een robotachtige Hive-Mind kleuterschool
Hoeveel robots zijn er nodig om een deur te openen? Als de robots proberen uit te vinden hoe ze de taak vanaf het begin moeten uitvoeren, dan helpt het om er zoveel mogelijk bij te betrekken.
In drie afzonderlijke onderzoekspapers die maandag online zijn geplaatst, toonden onderzoekers van Google en andere dochterondernemingen van Alphabet verschillende manieren waarop robots kunnen leren om eenvoudige taken sneller uit te voeren door verschillende soorten leerervaringen te delen.
De onderzoekers leiden teams van industriële robots op om eenvoudige taken uit te voeren met behulp van een techniek genaamd versterkingsleren, die vallen en opstaan combineert met positieve feedback. Op dit moment zijn deze taken uiterst eenvoudig, zoals het openen van deuren of het verplaatsen van objecten. Maar dergelijke vooruitgang zal cruciaal zijn als robots ooit in staat zullen zijn om te helpen met dagelijkse klusjes zoals de was opvouwen of de afwas doen.
Vier robots oefenen met het openen van verschillende deuren.
Hoewel robots goedkoper en capabeler worden, is het een bijna onmogelijke taak om ze te programmeren om zich betrouwbaar te gedragen in onvoorspelbare alledaagse situaties. Reinforcement learning biedt een oplossing, door robots in wezen zichzelf te laten programmeren terwijl ze leren tijdens het werk. Maar het kan voor een individuele bot erg tijdrovend zijn om veel verschillende manieren uit te proberen om een karwei uit te voeren. Het delen van het leerproces, een techniek die vaak cloudrobotica wordt genoemd, kan het proces helpen versnellen, hoewel het idee nog in een vroeg stadium verkeert (zie 10 baanbrekende technologieën: robots die elkaar leren).
In de drie kranten die maandag zijn vrijgegeven, Sergey Levine , een onderzoekswetenschapper bij Google die de leerinspanningen voor robots leidt, en collega's beschrijven verschillende leerstrategieën die over een groep robots kunnen worden verdeeld.
In elk geval gebruiken de betrokken robots neurale netwerken die het resultaat van verschillende acties proberen te voorspellen. Elke robot varieert zijn gedrag enigszins en versterkt vervolgens de variaties die grotere beloningen opleveren. Deze netwerken worden vervolgens periodiek teruggekoppeld naar een centrale server die een nieuw neuraal netwerk bouwt dat al het aangeleerde gedrag combineert, en dat netwerk wordt opnieuw verdeeld naar de robots voor een nieuwe trainingsronde.
In het eerste experiment was het doel om een deurkruk te draaien en een deur te openen, en vier verschillende robots werden aan het werk gezet om te oefenen op verschillende deuren en kruktypes. 'Sinds de robots zijn getraind op deuren die er anders uitzien, slaagt het uiteindelijke beleid bij een deur met een handgreep die geen van de robots eerder had gezien', schreef Levine in een blogpost co-auteur met Timothy Lillicrap, een onderzoeker bij Google DeepMind, en Mrinal Kalakrishnan, een onderzoeker bij X, de 'moonshot'-onderzoeksfaciliteit van Google.
In het tweede experiment werd het leerproces van de robots versneld dankzij de interacties van een persoon die een robotarm bestuurt. En in een derde onderzoek ontdekte een robot hoe objecten te bewegen en te roteren met behulp van input van een camera en een geleerd vermogen om te voorspellen hoe acties het beeld zouden veranderen - wat de onderzoekers beschrijven als een eenvoudig fysiek model van de wereld. Stephanie Tellex , een assistent-professor aan de Brown University die robotleren bestudeert, zegt dat dit een opwindend idee is. 'Het voorspellen van de fysieke effecten van acties zoals duwen is spannend omdat het de robot in staat stelt iets te begrijpen over hoe de wereld werkt', zegt ze.
Het bedrijf wil blijkbaar het beste halen uit wat een komende revolutie in het veld zou kunnen zijn dankzij de toepassing van machine learning-technieken. Sommige roboticafabrikanten onderzoeken al manieren om versterkingsleren te gebruiken om de programmering van hun producten te stroomlijnen.
'Natuurlijk is het soort gedrag dat robots tegenwoordig kunnen leren nog vrij beperkt', schreven de auteurs. 'Naarmate de algoritmen echter verbeteren en robots op grotere schaal worden ingezet, kan hun vermogen om hun ervaringen te delen en te bundelen een belangrijke rol spelen om hen in staat te stellen ons te helpen in ons dagelijks leven.'