Vision-Robotics Bridge, robot öğrenimini hızlandırmak için ortamların uygunluğunu öğrenir.
Çeşitli araştırma projeleri, yeterli robot eğitimi verisi olmadığı için robotların videolardan nasıl öğrenebileceğini araştırıyor – örneğin OpenAI’nin kendi robot araştırmasını durdurmasının bir nedeni.
Kapsamlı robot eğitim verileri, birçok robotun gerçek dünyada eylemler gerçekleştirmesini gerektirebilir, ancak bunların önceden eğitilmeleri gerekir – bir tavuk-yumurta problemi. AI modelleri, insanların çevreleriyle nasıl etkileşime girdiğini video verilerinden öğrenebileceği ve ardından bu becerileri robotlara aktarabileceği için video eğitimi olası bir çözüm olarak görülüyor.
Vision-Robotics Bridge, robotlar için bir satın alma modeli geliştiriyor
Amerikalı psikolog James J. Gibson tarafından türetilen uygunluk terimi, canlıların çevrelerindeki nesneleri ve özellikleri nitelikleri açısından değil, öncelikle bireye bir teklif olarak görmelerini ifade eder. Örneğin, canlılar bir nehri sadece akan bir su olarak değil, bir içme fırsatı olarak algılarlar.
reklam
Carnegie Mellon Üniversitesi ve Meta AI’dan gelen ekip bu kavram tarafından yönlendiriliyor ve robotik bağlamında karşılanabilirliği, temas noktası ve temas sonrası yörüngelerin toplamı olarak tanımlıyor. AI modeli, bir nesneyi kavradıktan sonra olası hareket modellerinin yanı sıra olası eylemlerle nesneleri tanımlamayı videodan öğrenir.
Örneğin bir buzdolabının kulpunu çekerek açıldığını ve kişinin onu hangi yöne doğru çektiğini öğrenir. Bir çekmece olması durumunda, kolu tanır ve çekmeceyi açmak için tek doğru hareket yönünü öğrenir.
Video: CMU / Meta
Video: CMU / Meta
VRB, 200 saatlik gerçek dünya testinde kendini kanıtladı
Robot biliminde VRB, bir robota görevlerini daha hızlı öğrenmesine yardımcı olmak için bağlamsal algı sağlamayı amaçlar. Ekip, VRB’nin dört farklı öğrenme paradigması ile uyumlu olduğunu ve VRB’yi iki farklı robot platformu kullanarak ondan fazla farklı görevde dört gerçek dünya ortamında uyguladığını gösteriyor.
Öneri
Ekip, 200 saatten uzun süren kapsamlı deneylerde, VRB’nin önceki yaklaşımlardan çok daha üstün olduğunu gösterdi. Araştırmacılar, gelecekte yöntemlerini daha karmaşık, çok adımlı görevlere uygulamayı, kuvvet ve dokunsal bilgi gibi fiziksel kavramları dahil etmeyi ve VRB’den öğrenilen görsel temsilleri araştırmayı planlıyor.
Daha fazla bilgi şu adreste mevcuttur: VRB proje sayfası. Kod ve veri kümesi de yakında orada mevcut olacaktır.