Все чаще исследователи и компании обращаются к машинному обучению, чтобы сделать их более адаптивными и ловкими. Это, как правило, означает подачу роботу видео того, что перед ним, и просить его разработать, как он должен двигаться, чтобы манипулировать этим объектом. Например, исследователи из OpenAI, некоммерческой организации в Сан-Франциско, научили роботизированную руку манипулировать блоком таким образом.
Но люди, конечно, используют не только глаза, чтобы научиться обращаться с предметами. Зрение сочетается с осязанием—и мы рано узнаем, что объекты, расположенные неустойчиво, вероятно, упадут.
Это то, что вдохновило нового робота, разработанного Нимой Фазели и его коллегами в Массачусетском технологическом институте, который получил фундаментальное понимание физики реального мира—и полезное чувство прикосновения.
Это доказало, насколько ловкими пальцами это, освоив Jenga, игру, которая включает в себя удаление блоков из опасно собранной башни, в идеале, не заставляя его опрокинуться. Робот также проявил некоторую изобретательность, которая имеет решающее значение для игроков-людей: судить, какой блок он может удалить, не заставляя башню падать.
Исследование основывается на нескольких ключевых идеях, разработанных Джошем Тененбаумом в отделе мозга и когнитивных наук Массачусетского технологического института, и его исследованиях человеческого познания. Это включает в себя идею о том, что люди развивают интуитивное понимание физики с раннего возраста, и что вероятность является ключом к рассуждениям о мире. Это отличается от многих исследований ИИ сегодня, которые вращаются вокруг подачи как можно большего количества данных в очень большие или “глубокие" нейронные сети.
Робот, оснащенный датчиками силы, а также камерами, учится играть в Jenga, тыча и подталкивая блоки и используя визуальную и тактильную обратную связь для обучения физической модели мира.
Затем, столкнувшись с новой башней из блоков, он использовал модель, чтобы сделать вывод, вероятно, какой блок он должен попытаться вытащить из башни следующим. Вы можете увидеть, насколько хорошо это было в видео выше.
Объединив зрение, осязание и эту модель реальной физики, робот может научиться играть в Jenga более эффективно, чем это было бы возможно в противном случае. Интуитивно понятная физическая модель также позволяет роботу быстро понять, что блок, висящий над краем, скорее всего, упадет. В тестировании этот подход превзошел традиционные методы машинного обучения. Исследование опубликовано сегодня в журнале Science Robotics.
Этот более гуманный метод обучения может помочь сделать заводских и складских роботов гораздо более способными. Если это не удастся, они могли бы, по крайней мере, бросить вам вызов в веселой игре партии.
Подписывайся на канал и узнавай много нового из мира технологий