Нужна ли роботам своя Wikipedia?
Приветствуем вас на страницах блога iCover! Несмотря на скептическое отношение отдельной части интеллектуалов к таким ресурсам, как Wikipedia, которое в ряде случаев имеет под собой достаточно веские основания, в целом значение этого доступного всем информационного источника стоит все-же признать положительным. Разумеется, связывать посещение Wikipedia или YouTube с каким-то научным откровением было бы опрометчиво, речь идет скорее о доступе к информации о вполне тривиальных вещах, помогающих нам ответить на текущие вызовы и вопросы современности. Так, к примеру, ролик о том, как приготовить омлет по оригинальному рецепту просмотренный на YouTube позволит нам быстро и эффективно повысить свою кулинарную грамотность не прибегая к необходимости утомительного изучения рецептов из кулинарной книги. К чему это мы, собственно?
Вызывает интерес вопрос: с нами все достаточно просто, понятно и привычно, а как наиболее эффективно адаптировать накопленные человечеством знания к процессу обучения роботов? Ясно что ценность информации, предоставленной ПС роботу в ответ на его «поисковый запрос»: каков алгоритм переноса чашки чая из кухни в гостиную? … будет сводиться к нулю. Для усвоения информации машине необходим детализированный ответ, пошаговая инструкция с конкретными действиями и понимание языка. Так в нашем примере с чашкой чая потребуется предоставить информацию о координатах емкости с чаем, способе захвата, месте, куда ее нужно оттранспортировать и т. п. Разумеется, пример намерено упрощен — в реальной жизни с хаотически меняющимся окружением информация обрастает множеством дополнительных разновекторных параметров и вводных. И здесь просматривается определенная проблема: специфика многих существующих методик обучения роботизированных комплексов накладывает некоторые ограничения на эффективность такого обучения.
Поиск способов создания единых алгоритмов и информационных источников для продуктивного обучения роботов становится мощнейшим стимулом к поиску и разработке новых направлений и способов донесения специальных знаний и обретению ими требуемого опыта. Сегодня мы коснемся двух перспективных направлений, работая над которыми исследователи уже сумели достичь определенных положительных результатов.
Обучение роботов при помощи YouTube
Итак, как мы выяснили, те вещи, которые для нас кажутся простыми и естественными (простейшие телодвижения, переработка овощей, работа с пылесосом, приготовление пищи по привычным рецептам, etc.) для робота, не прошедшего специальное обучение пока представляют собой неразрешимую проблему. Дело в том, что на нынешнем этапе роботы, в отличие от человека, еще не умеют обучаться эмпирически, самостоятельно исследовать мир и соотносить окружающие объекты с определенными качествами. Таким образом, сегодня, на заре развития робототехники, робот пока нуждаются в обучении каждому элементарному движению по отдельности — как открыть холодильник, как взять контейнер, как его открыть, как извлечь содержимое.
Отсутствие такого ценного человеческого качества, как интуиция и каких бы то ни было навыков ассоциативного мышления и затягивающийся в этой связи процесс обучения роботов заставил специалистов искать и развивать альтернативные методики. Свой ответ на вопрос предложили специалисты из Института передовых компьютерных технологий (штат Мериленд, США), использовавшие для ускорения и повышения качества обучения видеоролики сервиса YouTube.
Повышение эффективности процесса обучения в данном случае наблюдается благодаря одновременному использованию двух каналов идентификации информации — распознавания искусственным интеллектом действий, производимых человеком в обучающем видео и распознавание речевой информации путем синтаксического анализа языка. Процесс обучения позволяет в каждый момент времени поставить в соответствие конкретные слова и фразы и соответствующие им значения и действия, выполняемые на экране монитора.
По утверждению участников эксперимента, использование методики «двухканального» обучения уже сегодня позволило продемонстрировать уровень точности выполнения поставленных задач на уровне 77% при степени запоминаемости материала в 76%. При этом модуль распознает объекты с точностью 93% и в перспективе будет способен с большой степенью точности идентифицировать более сложные вербальные команды.
Облачное обучение
Робототехники знакомы с проблемами, которые испытывают их механические подопечные при отработке алгоритмов захвата предметов различных по форме, весу и размеру. Явные проблемы роботы испытывают и в случаях, когда оказывается необходимо поднять или использовать по назначению незнакомые для них предметы. И здесь незаменимыми оказываются облачные технологии. Группа специалистов Университета Брауна, США под руководством Стефани Тэллекс (Stefanie Tellex) проводит эксперимент по обучению коллаборативного робота Baxter захвату объектов и передачу им полученного опыта роботам-собратьям той же модели.
Робот, который впервые встречается с объектом сканирует последний инфракрасными сенсорами, что позволяет ему идентифицировать форму объекта. А уже следующий шаг — выбор подхода, который окажется оптимальным при подъеме объекта такой формы. Такой алгоритм срабатывает в большинстве случаев и оказывается на 75% успешнее попыток захвата, совершаемых по стандартному протоколу. Но и это только первый шаг. На следующем этапе полученный положительный «опыт» загружается в облако, представляющее собой по сути базу данных по уже изученным объектам для всех подключенных к ней роботов и своеобразный аналог вышеупомянутой Wikipedia.
На сегодняшний день в лабораториях всего мира работает около 300 роботов Baxter. Специалисты подсчитали, что если бы все они приняли участие в пополнении общей облачной базы данных, то каждые 11 дней при полной загрузке роботизированного сообщества объем библиотеки мог бы дополняться информацией об одном миллионе исследуемых объектов. Благодаря тому, что базовая платформа может дорабатываться такой подход в перспективе сможет мощнейшим стимулом для развития всего сообщества. Так, к примеру, относительно недавно Baxter получил «мягкий захват», позволяющий ему поднимать многие объекты без ущерба для их целостности.
Возможность поднятия самых разных предметов без риска их уронить и повредить позволит в перспективе рассматривать новые области применения таких роботов не только на сборочных линиях, но и в инфраструктуре складских комплексов самой различной специфики. И это только начало, а в перспективе возможности коллективного самообучения, которые раскроет облачная среда «Robopedia» (терм. автора) с большой степенью вероятности смогут быть использованы практически в любой области робототехники, от медицины — до сферы обслуживания и тушения пожаров.
Положительные примеры, позволяющие раскрыть потенциал концепции облачного обучения, уже сегодня позволяют нам оптимистично смотреть на будущее такого подхода. В числе таких примеров можно назвать простейшие способы обучения распознаванию библиотек фотографий, помогающих в идентификации объектов и целых наборов алгоритмов, позволяющих передавать индивидуальные навыки более высокого порядка. И над созданием интеллектуальной облачной среды обучения сегодня активно работают специалисты Университетов Брауна, Стэнфорда и Корнельского Университета. На нынешнем этапе исследований роботизированная система позволяет сохранять и передавать в общее информационное облако информацию о символах, элементах синтаксиса, фигурах, свойствах тактильного характера, моторике.
Подход к обучению с использованием облачной Robopedia появился относительно недавно. До последнего времени подавляющее большинство исследователей рассматривали процесс обучения как изолированный. Пересмотр концепции обучения позволит специалистам сконцентрировать усилия на усовершенствовании алгоритмов роботов, располагая при этом свободным доступом к полной и актуальной библиотеке знаний, накопленных в области на текущий момент.
Уважаемые читатели, мы всегда с удовольствием встречаем и ждем вас на страницах нашего блога. Мы готовы и дальше делиться с вами актуальными новостями, обзорными материалами и другими публикациями, и постараемся сделать все возможное для того, чтобы проведенное с нами время было для вас полезным. И, конечно, не забывайте подписываться на наши рубрики.
Другие наши статьи и события
