AI kan bidra til å gjøre roboter billigere uten å begrense deres evner

Kategori: Kunstig intelligens Lagt ut 19. juli

Overføringslæring, evnen til å bruke kunnskap fra en kontekst i en annen, kan lære billige roboter å prestere like bra som dyre.

Sammenhengen: En av de vanskeligste utfordringene robotikk nå står overfor, er å få roboten til å fungere jevnt utenfor laboratoriet. I en forskningssetting er det mulig å utstyre roboten med dyre sensorer og gi den et ideelt miljø for å lære navigasjon. Men i den virkelige verden vil det å bruke de samme sensorene vise seg kostbart og uvennlig for forbrukerne. Dessuten er den rotete og ufullkommen.

Forslaget: Forskere ved Free University vendte seg til en type maskinlæring kjent som overføringslæring for å se om de kunne løse problemet. Overføringslæring er prosessen med å ta det en algoritme har lært i en kontekst og bruke det i en annen. Den kan brukes til å tilpasse en algoritme som styrer en robot i laboratoriet slik at den kan kontrollere en robot i den virkelige verden. Det betyr at roboten først kan trene med fordelen av bedre sensorer og et bedre miljø, og deretter utnytte det den har lært selv når den kun har billige sensorer og dårlig miljø.

Resultatene: For å teste denne ideen laget forskerne en robot i et simulert miljø som den navigerte først ved hjelp av åtte nærhetssensorer, og deretter med ett enkelt kamera. De fant ut at når den robotkontrollerende algoritmen brukte overføringslæring for å ta beslutninger – kun med kameratilgang – lærte den å navigere rundt i rommet mye raskere enn når den ikke brukte overføringslæring i det hele tatt. Det var også mye raskere enn når det brukte overføringslæring under trening i stedet for beslutningstaking.

For å få flere historier som dette levert direkte til innboksen din, meld deg på vårt Webby-nominerte AI-nyhetsbrev The Algorithm. Det er gratis.