211service.com
Welkom bij robotuniversiteit (alleen robots hoeven van toepassing te zijn)
Foto van een robotarm Meneer Tech
Een van de onbezongen helden van de AI-revolutie is een weinig bekende database genaamd ImageNet . ImageNet, gemaakt door onderzoekers van Princeton University, bevat zo'n 14 miljoen afbeeldingen, elk geannoteerd door crowdsourced tekst die uitlegt wat de afbeelding laat zien.
ImageNet is belangrijk omdat het de database is waar veel van de krachtige neurale netwerken van tegenwoordig hun tanden in zetten. Neurale netwerken leren door naar de afbeeldingen en begeleidende tekst te kijken - en hoe groter de database, hoe beter ze leren. Zonder ImageNet en andere soortgelijke visuele datasets zouden zelfs de krachtigste neurale netwerken niets kunnen herkennen.
Nu zeggen robotici dat ze een soortgelijke aanpak met video willen proberen om hun ladingen te leren omgaan met de omgeving. Sudeep Dasari van de University of California, Berkeley, en collega's creëren een database genaamd RoboNet, bestaande uit geannoteerde videogegevens van robots in actie. De gegevens kunnen bijvoorbeeld talrijke gevallen bevatten van een robot die een kopje over een tafel beweegt. Het idee is dat iedereen deze gegevens kan downloaden en het neurale netwerk van een robot kan trainen om ook een beker te verplaatsen, zelfs als deze nog nooit eerder met een beker heeft gewerkt.
Dasari en co hopen hun database om te bouwen tot een hulpmiddel dat bijna elke robot kan voortrainen om bijna elke taak uit te voeren - een soort robotuniversiteit, die het team RoboNet noemt.
Tot nu toe waren robotici er maar beperkt in geslaagd hun ladingen te leren navigeren en omgaan met de omgeving. Hun aanpak is de standaard machine learning-techniek die ImageNet heeft helpen populariseren.
Ze beginnen met het vastleggen van de manier waarop een robot interageert met bijvoorbeeld een borstel om hem over een oppervlak te verplaatsen. Daarna nemen ze nog veel meer video's van zijn beweging en gebruiken de gegevens om een neuraal netwerk te trainen over hoe de actie het beste kan worden uitgevoerd.
De truc is natuurlijk om veel gegevens te hebben, met andere woorden, ontelbare uren aan video om van te leren. En als een robot het borstelen eenmaal onder de knie heeft, moet hij dezelfde leerprocedure doorlopen om bijna al het andere te bewegen, of het nu een lepel of een bril is. Als de omgeving verandert, moeten deze leersystemen doorgaans helemaal opnieuw beginnen.
De gangbare praktijk om voor elke nieuwe omgeving helemaal opnieuw gegevens te verzamelen, betekent in wezen het opnieuw leren van basiskennis over de wereld - een onnodige inspanning, zeggen Dasari en co.
RoboNet lost dit op. We stellen RoboNet voor, een open database voor het delen van robotervaring, zeggen ze. Dus elke robot kan leren van de ervaring van een ander.
Om de database een vliegende start te geven, heeft het team al zo'n 15 miljoen videoframes van taken opgenomen met zeven verschillende soorten robots met verschillende grijpers in verschillende omgevingen.
Dasari en co laten zien hoe ze deze database kunnen gebruiken om robots voor te trainen voor taken die ze nog nooit eerder hebben geprobeerd. En ze zeggen dat robots die met deze aanpak zijn getraind, beter presteren dan degenen die conventioneel zijn getraind op nog meer gegevens.
De RoboNet-gegevens is voor iedereen beschikbaar om te gebruiken. En natuurlijk hopen Dasari en co dat andere onderzoeksteams hun eigen bijdrage gaan leveren om van RoboNet een enorme bron van robo-learning te maken.
Dat is indrukwekkend werk met een aanzienlijk potentieel. Dit werk is de eerste stap in de richting van het creëren van robotagenten die in een breed scala aan omgevingen en op verschillende hardware kunnen werken, aldus het team.
Natuurlijk liggen er grote uitdagingen in het verschiet. Onderzoekers moeten bijvoorbeeld uitzoeken hoe de gegevens het beste kunnen worden gebruikt - de jury is nog steeds niet op de hoogte van de meest effectieve trainingsregimes. We hopen dat RoboNet de bredere robotica- en versterkingsleergemeenschappen zal inspireren om te onderzoeken hoe algoritmen voor versterkingsleer kunnen worden geschaald om te voldoen aan de complexiteit van de echte wereld, zeggen ze.
Het resultaat is zowel indrukwekkend als tot nadenken stemmend: een soort robotuniversiteit die elke robot de vaardigheden kan geven die hij moet leren.
ImageNet is een sleutelfactor geweest om machinevisie net zo goed te maken als mensen in het herkennen van objecten. Als RoboNet maar half zo succesvol is, zal dat een indrukwekkende winst zijn.
Referentie: arxiv.org/abs/1910.11215 : RoboNet: grootschalige multi-robot leren