Robot, temui dunia – TechCrunch


Makalah penelitian datang terlalu sering bagi siapa pun untuk membaca semuanya. Itu terutama berlaku di bidang pembelajaran mesin, yang sekarang memengaruhi (dan menghasilkan kertas di) hampir setiap industri dan perusahaan. Kolom ini bertujuan untuk mengumpulkan beberapa penemuan dan makalah terbaru yang paling relevan – terutama dalam, namun tidak terbatas pada, kecerdasan buatan – dan menjelaskan mengapa hal itu penting.

Edisi kali ini, kami memiliki banyak item yang berkaitan dengan antarmuka antara AI atau robotika dan dunia nyata. Tentu saja sebagian besar aplikasi dari jenis teknologi ini memiliki aplikasi dunia nyata, tetapi secara khusus penelitian ini adalah tentang kesulitan yang tak terhindarkan yang terjadi karena keterbatasan di kedua sisi kesenjangan virtual-nyata.

Satu masalah yang terus-menerus muncul dalam robotika adalah seberapa lambat hal-hal sebenarnya berjalan di dunia nyata. Biasanya beberapa robot yang dilatih untuk tugas-tugas tertentu dapat melakukannya dengan kecepatan dan kelincahan manusia super, tetapi sebagian besar tidak demikian. Mereka perlu memeriksa pengamatan mereka terhadap model dunia virtual mereka begitu sering sehingga tugas seperti mengambil item dan meletakkannya dapat memakan waktu beberapa menit.

Yang paling membuat frustrasi tentang ini adalah dunia nyata adalah tempat terbaik untuk melatih robot, karena pada akhirnya mereka akan beroperasi di dalamnya. Salah satu pendekatan untuk mengatasi hal ini adalah dengan meningkatkan nilai setiap jam pengujian dunia nyata yang Anda lakukan, yang merupakan tujuannya proyek ini di Google.

Dalam posting blog yang agak teknis, tim menjelaskan tantangan menggunakan dan mengintegrasikan data dari beberapa robot yang belajar dan melakukan banyak tugas. Ini rumit, tetapi mereka berbicara tentang membuat proses terpadu untuk menetapkan dan mengevaluasi tugas, dan menyesuaikan tugas dan evaluasi di masa mendatang berdasarkan hal itu. Lebih intuitif, mereka menciptakan proses di mana keberhasilan pada tugas A meningkatkan kemampuan robot untuk melakukan tugas B, meskipun mereka berbeda.

Manusia melakukannya – mengetahui cara melempar bola dengan baik memberi Anda permulaan untuk melempar anak panah, misalnya. Memanfaatkan pelatihan dunia nyata yang berharga itu penting, dan ini menunjukkan masih banyak pengoptimalan yang harus dilakukan di sana.

Pendekatan lain adalah dengan meningkatkan kualitas simulasi sehingga lebih dekat dengan apa yang akan ditemui robot saat ia membawa pengetahuannya ke dunia nyata. Itulah tujuan lingkungan pelatihan THOR Allen Institute for AI dan penghuni terbarunya, ManipulaTHOR.

Kredit Gambar: Semua institut

Simulator seperti THOR memberikan analogi ke dunia nyata di mana AI dapat mempelajari pengetahuan dasar seperti cara menavigasi ruangan untuk menemukan objek tertentu – tugas yang sangat sulit! Simulator menyeimbangkan kebutuhan akan realisme dengan biaya komputasi untuk menyediakannya, dan hasilnya adalah sistem di mana agen robot dapat menghabiskan ribuan “jam” virtual untuk mencoba berbagai hal berulang kali tanpa perlu mencolokkannya, meminyaki sambungannya, dan lain-lain. di.



Sumber

Related Articles

LEAVE A REPLY

Please enter your comment!
Please enter your name here

Stay Connected

21,989FansLike
0FollowersFollow
0SubscribersSubscribe
- Advertisement -

Latest Articles