211service.com
Velkommen til robotuniversitetet (bare roboter trenger å søke)
Fotografi av en robotarm Mr. Tech
En av de ukjente heltene i AI-revolusjonen er en lite kjent database kalt ImageNet . Laget av forskere ved Princeton University, ImageNet inneholder rundt 14 millioner bilder, hver av dem kommentert med crowdsourcet tekst som forklarer hva bildet viser.
ImageNet er viktig fordi det er databasen som mange av dagens kraftige nevrale nettverk kutter tennene sine på. Nevrale nettverk lærer ved å se på bildene og den tilhørende teksten – og jo større databasen er, jo bedre lærer de. Uten ImageNet og andre visuelle datasett som det, ville selv de kraftigste nevrale nettverkene ikke kunne gjenkjenne noe.
Nå sier robotikere at de vil prøve en lignende tilnærming med video for å lære ladningene deres hvordan de skal samhandle med miljøet. Sudeep Dasari ved University of California, Berkeley, og kolleger lager en database kalt RoboNet, som består av kommenterte videodata av roboter i aksjon. Dataene kan for eksempel inkludere en rekke tilfeller av en robot som beveger en kopp over et bord. Tanken er at hvem som helst kan laste ned disse dataene og bruke dem til å trene en robots nevrale nettverk til å flytte en kopp også, selv om den aldri har samhandlet med en kopp før.
Dasari og co håper å bygge databasen sin til en ressurs som kan forhåndstrene nesten hvilken som helst robot til å gjøre nesten hvilken som helst oppgave – et slags robotuniversitet, som teamet kaller RoboNet.
Til nå har robotikere hatt begrenset suksess med å lære sine ladninger hvordan de skal navigere og samhandle med miljøet. Deres tilnærming er standard maskinlæringsteknikk som ImageNet hjalp til med å popularisere.
De starter med å registrere måten en robot samhandler med, for eksempel, en børste for å flytte den over en overflate. Deretter tar de mange flere videoer av bevegelsen og bruker dataene til å trene et nevralt nettverk i hvordan de best kan utføre handlingen.
Trikset er selvfølgelig å ha masse data – med andre ord utallige timer med video å lære av. Og når en robot har mestret penselbevegelsen, må den gjennom den samme læringsprosedyren for å flytte nesten alt annet, enten det er en skje eller et par briller. Hvis omgivelsene endres, må disse læringssystemene generelt starte på nytt.
Den vanlige praksisen med å samle inn data fra bunnen av for hvert nytt miljø betyr i hovedsak å lære grunnleggende kunnskap om verden på nytt – en unødvendig innsats, sier Dasari og co.
RoboNet kommer rundt dette. Vi foreslår RoboNet, en åpen database for deling av robotopplevelser, sier de. Så enhver robot kan lære av en annens erfaring.
For å kickstarte databasen har teamet allerede spilt inn rundt 15 millioner videorammer med oppgaver ved å bruke syv forskjellige typer roboter med forskjellige gripere i en rekke miljøer.
Dasari og co fortsetter med å vise hvordan man bruker denne databasen til å forhåndstrene roboter for oppgaver de aldri før har forsøkt. Og de sier roboter som er trent med denne tilnærmingen, yter bedre enn de som er konvensjonelt trent på enda mer data.
De RoboNet-data er tilgjengelig for alle å bruke. Og selvfølgelig håper Dasari og co at andre forskerteam vil begynne å bidra med sine egne for å gjøre RoboNet til en enorm ressurs for robo-læring.
Det er et imponerende arbeid som har betydelig potensial. Dette arbeidet tar det første skrittet mot å lage robotagenter som kan operere i et bredt spekter av miljøer og på tvers av forskjellig maskinvare, sier teamet.
Selvfølgelig er det betydelige utfordringer fremover. For eksempel må forskere finne ut hvordan de best kan bruke dataene – juryen er fortsatt ute på de mest effektive treningsregimene. Vi håper at RoboNet vil inspirere de bredere robotikk- og forsterkningslæringsmiljøene til å undersøke hvordan man kan skalere forsterkningslæringsalgoritmer for å møte kompleksiteten i den virkelige verden, sier de.
Resultatet er både imponerende og tankevekkende: et slags robotuniversitet som kan gi enhver robot ferdighetene den trenger å lære.
ImageNet har vært en nøkkelfaktor for å gjøre maskinsyn like gode som mennesker til å gjenkjenne objekter. Hvis RoboNet bare er halvparten så vellykket, vil det være en imponerende gevinst.
Ref: arxiv.org/abs/1910.11215 : RoboNet: Flerrobotlæring i stor skala