يك چارچوب توسعه جديد به ربات ها اجازه مي دهد پارامترهاي بيش از حد را به طور مستقل بهينه كنند
محققان Ecole Centrale de Lyon اخيراً چارچوب توسعه جديدي را با الهام از مكانيسم هاي حافظه بلند مدت و استدلال در انسان ابداع كرده اند. اين چارچوب ، در مقاله اي ارائه شده در IEEE ICDL-Epirob در توكيو و از قبل در ArXiv منتشر شده ، به روبات ها اين امكان را مي دهد تا بطور خودمختار پارامترهاي هايپر تنظيم شده از هرگونه عمل و / يا ماژول بينايي را كه به عنوان يك جعبه سياه درمان مي شود ، بهينه كنند.
در سالهاي اخير ، محققان روبات هايي ساخته اند كه مي توانند كارهاي مختلفي را انجام دهند. با اين وجود ، محيطي كه اين رباتها در آن كار مي كنند اغلب محدود است. دليل اين امر اين است كه در رباتيك ، اكثر الگوريتم ها توسط كارشناسان انساني بصورت دستي ساخته و بهينه مي شوند تا چالش هاي احتمالي روباتي را كه ممكن است در يك شرايط معين با آن روبرو شوند ، پيش بيني كنند .
"با اين حال ، هنگام برخورد با ابهامات ، به عنوان مثال ، هنگامي كه روبات در طول زندگي خود مجبور به برخورد با اشياء جديد شود ، هميشه تكيه بر برنامه هاي اضافي و بهينه سازي از مهندسان انساني عملي نيست: ربات مجبور است به تنهايي ياد بگيرد." ماكسيم پيت ، يكي از محققاني كه اين تحقيق را انجام داده است ، به TechXplore گفت. "ما مي خواهيم مكانيزم هاي يادگيري به روبات ها ارائه دهيم تا آنها بتوانند خودمختار باشند و با موقعيت هاي مختلف سازگار شوند ، حتي در شرايطي كه پيش بيني نمي شود."
در حال توسعه روبات هايي كه بطور خودكار با موقعيت هاي مختلف مطابقت دارند مي تواند تعدادي از كاربردهاي مفيد را داشته باشد ، به عنوان مثال در زمينه رباتيك صنعتي ، جايي كه بازوهاي روباتيك نياز به اشياء ناشناخته از بخش هاي همگن دارند.
اعتبار: پيت و همكاران.پيت توضيح داد: "ما مي خواستيم كه روبات به طور مستقل پارامترهاي يك نرم افزار مبتني بر بينايي (كاميدو توسط سيلان) را براي هر شيء در كمتر از چند ساعت بهينه كند ." وي گفت: "براي اين كار ، از يك چارچوب توسعه اي استفاده كرديم كه هدف آن تكرار چگونگي يادگيري كودكان در مورد جهان است. به ويژه ، ما مي خواهيم از شباهت بين اشياء استفاده كنيم تا روند انتقال يادگيري را با انتقال دانش يك وظيفه به كار ديگر مشابه سرعت بخشيم. ""
چارچوب رشدي كه توسط پيت و همكارانش ارائه شده است ، با هدف ايجاد يادگيري مادام العمر و باز از مهارت هاي جديد در روبات ها از طريق فرايندي مشابه آنچه در كودكان انساني مشاهده مي شود ، است. براي دستيابي به اين هدف ، چارچوب آنها شامل يك حافظه بلند مدت است كه در آن روبات ها تجربيات خود را ذخيره مي كنند ، همچنين توانايي هاي استدلال را براي آنها فراهم مي كند تا عناصر مفيد را در داده هاي ذخيره شده خود شناسايي كنند.
"روش بهينه سازي بيزي به عنوان يك استراتژي" آزمايش و خطا "هوشمند عمل مي كند: روبات تخمين مي زند كه كدام مجموعه از پارامترها بهتر است بر اساس نتايج ارزيابي قبلي ارزيابي شود." "به طور خلاصه ، اين روش به طور مؤثر ربات را در كاوش پارامترهاي پيرامون مقادير مورد آزمايش قرار نمي دهد ، بلكه به سمت مقادير پتانسيل بالا هدايت مي كند."
عليرغم كارآيي اين تكنيك ، محققان مي خواستند همگرايي يادگيري روبات را افزايش دهند تا بهينه سازي بهتري داشته باشند. از اين رو روش هاي بهينه سازي سنتي بيزي مطلوب نبودند ، زيرا با اين روش ، يادگيري ربات از ابتدا براي هر شي جديد كه با آن روبرو شود ، از ابتدا شروع مي شود. محققان براي پرداختن به اين محدوديت از استراتژي مبتني بر شباهت بينايي استفاده كردند.
اعتبار: پيت و همكاران.پيت گفت: "ما مي خواستيم از تجربه قبلي اين ربات براي كارهاي متفاوت اما مشابه استفاده كنيم." "بنابراين ، هنگامي كه با يك شي جديد روبرو مي شويم ، ما روبات را مجبور مي كنيم در ابتدا راه حل هايي را كه براي اشياء مشابه بهينه شده است كشف كند. به عنوان مثال ، اگر روبات مي داند چگونه يك پرتقال را بفهمد و حالا بايد سيب را بدست آورد ، ما روبات را مجبور مي كنيم تا سيب را با استفاده از استراتژي "گرفتن نارنجي" درك كنيد. ما با سؤال از ماژول شباهت بصري كه اشياء شبيه به موارد جديد هستند ، اين كار را انجام مي دهيم و بهترين راه حل ها را براي اين اشياء مشابه از حافظه بلند مدت استخراج مي كنيم . "
محققان چارچوب خود را در يك محيط شبيه سازي ارزيابي كردند. آنها دريافتند كه استراتژي يادگيري انتقال مبتني بر شباهت بصري بسيار سودمندتر از يادگيري فراموشي است ، كه در آن روبات ها هر بار كه وظيفه جديدي انجام مي دهند ، استراتژي ها را از ابتدا ياد مي گيرند.
تاكنون چارچوب هاي توسعه در وهله اول در چارچوب روباتيك اجتماعي مورد بررسي قرار گرفته است ، به عنوان مثال ، در شخصي سازي كمك هاي روبات هاي اجتماعي به نيازها يا ترجيحات كاربرانشان.
پيت گفت: "استفاده از اين چارچوب در مجموعه رباتيك صنعتي به نتايج قانع كننده اي منجر شد و اين بدان معني است كه زمينه هاي روباتيك اجتماعي و صنعتي براي آموختن چيزهاي زيادي از يكديگر دارند." "جنبه جالب ديگر مطالعه ما اين است كه چارچوب بهينه سازي يك الگوريتم" جعبه سياه "است ، به اين معني كه ما چيزي در مورد نحوه كار آن نمي دانيم. ما پارامترهايي را براي آن ارائه مي دهيم و در عوض ، نمره اي را براي دريافت مي كنيم كيفيت آنها. اين بدان معني است كه مي تواند براي برنامه ها و الگوريتم هاي مختلف (حتي خارج از زمينه رباتيك) نيز كه به تنظيم دقيق مكرر نياز دارند ، اعمال شود. "
http://socialnetworkadsinfo.com/story5719319/پمپ-وكيوم-آبي
برچسب: ،