NVIDIA-onderzoekers zijn begonnen een robot te leren een taak te voltooien door - hier is de kicker - simpelweg de acties van een mens te observeren. Netwerken werden getraind zoals beschreven in een video. Het systeem is in de echte wereld getest op een pick-and-place-probleem van het stapelen van gekleurde kubussen, en ze gebruikten een Baxter-robot.

Een team van zes auteurs besprak dit werk, "Synthetisch getrainde neurale netwerken voor het leren van door mensen leesbare plannen van real-world demonstraties." Hun succes betrof een robot die een taak kon leren van een enkele demonstratie in de echte wereld.

Waarom het belangrijk is:Planners onderzoeken vragen over hoe mensen naast robots zullen werken - hoe veilig en efficiënt kan dit worden gedaan? De auteurs verwoorden het duidelijk. "Om ervoor te zorgen dat robots nuttige taken kunnen uitvoeren in de echte wereld, het moet gemakkelijk zijn om de taak aan de robot te communiceren; dit omvat zowel het gewenste eindresultaat als eventuele hints over de beste manier om dat resultaat te bereiken."

Frederic Lardinois in TechCrunch afgewogen:"Industriële robots zijn meestal gericht op het keer op keer herhalen van een goed gedefinieerde taak. dat betekent het uitvoeren van die taken op veilige afstand van de kwetsbare mensen die ze hebben geprogrammeerd. Meer en meer, echter, onderzoekers denken nu na over hoe robots en mensen dicht bij mensen kunnen werken en zelfs van hen kunnen leren."

Lardinois zei Dieter Fox, de senior directeur van robotica-onderzoek bij NVIDIA, vertelde hem dat het team deze volgende generatie robots wilde inschakelen die veilig in de buurt van mensen kunnen werken. Robots zullen moeten leren hoe ze mensen kunnen helpen, zowel in industriële omgevingen als bij mensen thuis.

Het team toonde een systeem om een ​​voor mensen leesbaar programma af te leiden en uit te voeren uit een real-world demonstratie.

De NVIDIA Developer-site zei dat dit het eerste deep learning-systeem in zijn soort was dat een robot kan leren een taak te voltooien door gewoon naar de acties van een mens te kijken. "Met demonstraties, een gebruiker kan een taak aan de robot doorgeven en aanwijzingen geven over hoe de taak het beste kan worden uitgevoerd."

Hun systeem omvatte een reeks neurale netwerken. Hoe ze werkten:de onderzoekers trainden een reeks neurale netwerken om taken uit te voeren die verband houden met perceptie, het genereren van programma's en het uitvoeren van programma's.

Hun techniek:een camera verwierf een live videofeed van een scène waarin de posities en relaties van objecten in realtime werden afgeleid door een paar neurale netwerken. Deze werden doorgestuurd naar een ander netwerk dat een plan genereerde om uit te leggen hoe die percepties opnieuw konden worden gecreëerd. Een uitvoeringsnetwerk las het plan en genereerde acties voor de robot.

Wat onderscheidt hun verkenning van eerder onderzoek? Een verschil ligt in het trainen van neurale netwerken. De huidige benaderingen vragen om grote hoeveelheden gelabelde trainingsgegevens - een "ernstig knelpunt in deze systemen, ", aldus de NVIDIA-site.

In tegenstelling tot, "Met synthetische datageneratie, er kan met heel weinig inspanning een bijna oneindige hoeveelheid gelabelde trainingsgegevens worden geproduceerd."

Lardinois in TechCrunch noemde hun onderzoek "een belangrijke stap in deze algehele reis om ons in staat te stellen een robot snel nieuwe taken aan te leren."

Gezien het sterke visuele aspect van dit trainingsproces, Hij schreef, Nvidia's achtergrond in grafische hardware helpt zeker. TechSpot merkte op hoe "het uitvoeren van al die neurale netwerken een aantal serieuze rekenmogelijkheden vereist."

De onderzoekers gebruikten NVIDIA TITAN X GPU's.

Jonathan Tremblay, Thans, Artem Molchanov, Stephen Tyree, Jan Kautz, Stan Birchfield is het team achter de krant.

© 2018 Tech Xplore