AI kunne hjælpe med at gøre robotter billigere uden at begrænse deres evner

Kategori: Kunstig intelligens Udsendt 19 jul

Overførselslæring, evnen til at bruge viden, der tidligere er opnået fra én kontekst i en anden, kunne lære billige robotter at præstere lige så godt som dyre.

Konteksten: En af de sværeste udfordringer, som robotter i øjeblikket står over for, er at få robotten til at fungere gnidningsløst uden for laboratoriet. I et forskningsmiljø er det muligt at udstyre robotten med dyre sensorer og give den et ideelt miljø til at lære navigation. Men i den virkelige verden ville det være dyrt og uvenligt for forbrugerne at bruge de samme sensorer. Derudover er den rodet og ufuldkommen.

Forslaget: Forskere ved Fri Universitet henvendte sig til en type maskinlæring kendt som transfer learning for at se, om de kunne løse problemet. Overførselslæring er processen med at tage, hvad en algoritme har lært i én kontekst og anvende det i en anden. Det kunne bruges til at tilpasse en algoritme, der styrer en robot i laboratoriet, så den kan styre en robot i den virkelige verden. Det betyder, at robotten først kunne træne med fordelen af ​​bedre sensorer og et bedre miljø og derefter udnytte det, den lærte, selv når den kun har billige sensorer og et dårligt miljø.

Resultaterne: For at teste denne idé skabte forskerne en robot i et simuleret miljø, som den navigerede først ved hjælp af otte nærhedssensorer og derefter med et enkelt kamera. De fandt ud af, at når den robotstyrende algoritme brugte overførselslæring til at træffe beslutninger - kun med kameraadgang - lærte den at navigere rundt i rummet meget hurtigere, end når den slet ikke brugte overførselslæring. Det var også meget hurtigere, end da det brugte transfer learning under træning frem for beslutningstagning.

For at få flere historier som denne leveret direkte til din indbakke, tilmeld dig vores Webby-nominerede AI-nyhedsbrev The Algorithm. Det er gratis.