In de kelder van het Gates Computer Science Building aan de Stanford University, een scherm bevestigd aan een rode robotarm licht op. Een paar cartoonogen knippert. "Maak kennis met Bender, " zegt Ajay Mandlekar, doctoraat student elektrotechniek.

Bender is een van de robotarmen die een team van Stanford-onderzoekers gebruikt om twee raamwerken te testen die, samen, zou het sneller en gemakkelijker kunnen maken om basisvaardigheden aan robots aan te leren. Met het RoboTurk-framework kunnen mensen de robotarmen in realtime besturen met een smartphone en een browser door de robot te laten zien hoe taken zoals het oppakken van objecten moeten worden uitgevoerd. SURREAL versnelt het leerproces door meerdere ervaringen tegelijk uit te voeren, waardoor de robots in wezen kunnen leren van vele ervaringen tegelijkertijd.

"Met RoboTurk en SURREAL, we kunnen de grens verleggen van wat robots kunnen doen door veel door mensen verzamelde gegevens te combineren en te koppelen aan grootschalige versterkingsleren, " zei Mandlekar, een lid van het team dat de kaders heeft ontwikkeld.

De groep zal op 29 oktober RoboTurk en SURREAL presenteren op de conferentie over robotleren in Zürich, Zwitserland.

Mensen die robots aanleren

Yuke Zhu, een doctoraat student informatica en lid van het team, liet zien hoe het systeem werkt door de app op zijn iPhone te openen en door de lucht te zwaaien. Hij leidde de robotarm – als een mechanische kraan in een arcadespel – om boven zijn prijs te zweven:een houten blok dat geschilderd was om eruit te zien als een biefstuk. Dit is een eenvoudige pick-and-place-taak waarbij objecten worden geïdentificeerd, ze oppakken en in de prullenbak met het juiste etiket doen.

voor mensen, de taak lijkt belachelijk eenvoudig. Maar voor de robots van vandaag, het is best moeilijk. Robots leren meestal door interactie met en het verkennen van hun omgeving - wat meestal resulteert in veel willekeurig zwaaien met de armen - of van grote datasets. Geen van beide is zo efficiënt als het krijgen van wat menselijke hulp. Op dezelfde manier waarop ouders hun kinderen leren hun tanden te poetsen door hun handen te leiden, mensen kunnen robots demonstreren hoe ze specifieke taken moeten uitvoeren.

Echter, die lessen zijn niet altijd perfect. Toen Zhu hard op zijn telefoonscherm drukte en de robot zijn greep losliet, de houten biefstuk raakte de rand van de prullenbak en kletterde op de tafel. "De mens is hier geenszins optimaal in, "Mandlekar zei, "maar deze ervaring is nog steeds een integraal onderdeel van de robots."

Parallel sneller leren

Deze proeven - zelfs de mislukkingen - leveren onschatbare informatie op. De demonstraties verzameld via RoboTurk zullen de robots achtergrondkennis geven om hun leerproces een kickstart te geven. SURREAL kan duizenden gesimuleerde ervaringen van mensen over de hele wereld tegelijk uitvoeren om het leerproces te versnellen.

"Met SURREAL, we willen dit proces van interactie met de omgeving versnellen, " zei Linxi-fan, een doctoraat student informatica en lid van het team. Deze frameworks zorgen voor een drastische toename van de hoeveelheid data voor de robots om van te leren.

"De gecombineerde dubbele frameworks kunnen een mechanisme bieden voor AI-ondersteunde menselijke uitvoering van taken waarbij we mensen weg kunnen halen uit gevaarlijke omgevingen terwijl we toch een vergelijkbaar niveau van taakuitvoeringsvaardigheid behouden, " zei postdoctoraal fellow Animesh Garg, een lid van het team dat de kaders heeft ontwikkeld.

Het team voorziet dat robots in de toekomst een integraal onderdeel zullen zijn van het dagelijks leven:helpen met huishoudelijke taken, het uitvoeren van repetitieve montagetaken bij de productie of het uitvoeren van gevaarlijke taken die een gevaar kunnen vormen voor de mens.

"Je zou de robot niet moeten vertellen om zijn arm 20 graden te draaien en 10 centimeter naar voren, "zei Zhu. "Je wilt de robot kunnen vertellen om naar de keuken te gaan en een appel te halen."