Неоспоримо, что по крайней мере некоторые из нас знакомы с роботами, в основном из художественной литературы, будь то протокольные дроиды, такие как C3PO из «Звездных войн», или очень похожие на людей киборги, борющиеся с преступностью, такие как Робокоп.

Хотя в основном это циркулирующие в вымышленных мирах, различные виды роботов также встречались и в реальной жизни, будь то роботы-доставщики для пиццерий, таких как Domino’s, шарнирные роботы, используемые для помощи в хирургических процедурах, или роботы-пылесосы, такие как Roomba.

Хотя разнообразие роботов стало бесконечным, роботы для помощи по дому все еще относительно редки и недостаточно развиты, и это удивительно, почему. Наличие автономного помощника прямо дома, упрощающего вашу повседневную домашнюю работу, кажется таким идеальным, но легко ли этого достичь?

Это то, что исследователи из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) пытаются разработать, используя систему машинного обучения, которую они называют PIGINet.

Планы, образы, цель и исходные факты

Автономные вспомогательные системы стали довольно распространенным явлением на складах и в производственных цехах, предназначенных для уборки, упаковки, складирования, сортировки и даже выполнения инвентаризационных работ. Это связано со структурированным характером складов и фабрик, который помогает роботам легко ориентироваться на пути к работе.

Напротив, дома, особенно те, которые принадлежат большим семьям с домашними животными или маленькими детьми, как минимум, более хаотичны. Дома — это динамичные места, которые часто полны «недружественных» препятствий для роботов, с передвигаемой мебелью и разбросанными по полу вещами. В результате для правильной работы роботов требуется более сложная система. Именно здесь свою роль играет система PIGINet MIT CSAIL.

PIGINet, сокращенно от Plans, Images, Goal и Initial fact, представляет собой систему, разработанную с использованием нейронной сети, дающую роботам возможность создавать планы действий в различных условиях.

Как правило, домашних роботов обучают выполнять задачу, отрабатывая движения, которые им нужно выполнять, снова и снова, пока они в конечном итоге не найдут приемлемое решение. Эта форма обучения влечет за собой своего рода предопределенный рецепт, которому должны следовать роботы, что, как правило, требует много времени и неэффективно, особенно когда роботы каждый раз сталкиваются с различными препятствиями или средами. С PIGINet можно значительно сократить итеративный процесс планирования задач.

PIGINet использует кодировщик преобразователя, предназначенный для работы с последовательностями данных. Система вводит последовательности информации, которые включают план задачи, образы среды, начальное состояние среды и желаемую цель. Кодер объединяет указанную информацию и генерирует прогноз того, будет ли выполним выбранный план задач.

Кухонные задачи

Команда протестировала систему PIGINet, проведя ряд мероприятий на кухне, имитируя домашнюю обстановку с различными элементами, такими как прилавки, шкафы, холодильники, раковины и т. д.

Основная идея этого проекта состоит в том, чтобы обучить роботов быть способными решать проблемы, а не просто следовать рецептам. Для этого команде требовались хорошие обучающие данные, которых оказалось мало. Этот дефицит был одной из основных проблем, с которой столкнулась команда CSAIL, и привел к довольно медленному стартовому процессу.

Однако после включения предварительно обученных языковых моделей зрения и приемов увеличения данных команда заметила, что роботы могут легче понимать пространственное расположение и конфигурации объектов.

Согласно документу, опубликованному командой MIT CSAIL в отношении этого эксперимента, команде удалось сократить время планирования системы на 80% и примерно на 20–50% для более сложных ситуаций и задач, включающих не только видимые объекты, но и ранее невидимые объекты, с использованием нуля. обобщение выстрела.

Будущие усилия

Несмотря на то, что в настоящее время для дальнейшего развития PIGINet основное внимание уделяется задачам, связанным с кухней, команда считает, что практическое применение PIGINet не будет ограничиваться домашними хозяйствами, поскольку было доказано, что система действительно может перемещаться в сложных и динамичных средах.

Команда MIT CSAIL стремится еще больше усовершенствовать PIGINet, предлагая альтернативные планы задач при выявлении невыполнимых действий. Если команде удастся это сделать, создание реальных планов задач может быть выполнено намного быстрее без больших наборов обучающих данных.

Работа, за которую взялась эта амбициозная команда, безусловно, далека от простой и, несомненно, может проложить путь к революционным изменениям в разработке и обучении роботов.

Подробнее о подобных статьях читайте на странице Digger Insights.