Velkommen til robotuniversitetet (kun robotter skal ansøges)

Foto af en robotarm Mr. Tech

En af AI-revolutionens ubesungne helte er en lidet kendt database kaldet ImageNet . ImageNet er skabt af forskere ved Princeton University og indeholder omkring 14 millioner billeder, hver af dem kommenteret af crowdsourced tekst, der forklarer, hvad billedet viser.

ImageNet er vigtigt, fordi det er databasen, som mange af nutidens kraftfulde neurale netværk skærer tænderne i. Neurale netværk lærer ved at se på billederne og den tilhørende tekst – og jo større databasen er, jo bedre lærer de. Uden ImageNet og andre visuelle datasæt som det, ville selv de mest kraftfulde neurale netværk ikke være i stand til at genkende noget.

Nu siger robotister, at de ønsker at prøve en lignende tilgang med video for at lære deres ladninger at interagere med miljøet. Sudeep Dasari ved University of California, Berkeley, og kolleger er ved at skabe en database kaldet RoboNet, bestående af kommenterede videodata af robotter i aktion. For eksempel kan dataene omfatte adskillige tilfælde af en robot, der flytter en kop hen over et bord. Ideen er, at enhver kan downloade disse data og bruge dem til at træne en robots neurale netværk til også at flytte en kop, selvom den aldrig har interageret med en kop før.

Dasari og co håber på at bygge deres database op til en ressource, der kan fortræne næsten enhver robot til at udføre næsten enhver opgave - en slags robotuniversitet, som holdet kalder RoboNet.

Indtil nu har robotister haft begrænset succes med at lære deres opladninger, hvordan man navigerer og interagerer med miljøet. Deres tilgang er standard maskinlæringsteknik, som ImageNet hjalp med at popularisere.

De starter med at registrere, hvordan en robot interagerer med f.eks. en børste for at flytte den hen over en overflade. Så tager de mange flere videoer af dens bevægelse og bruger dataene til at træne et neuralt netværk i, hvordan man bedst udfører handlingen.

Tricket er selvfølgelig at have masser af data – med andre ord utallige timers video at lære af. Og når først en robot har mestret penselbevægelse, skal den gennemgå den samme indlæringsprocedure for at flytte næsten alt muligt andet, det være sig en ske eller et par briller. Hvis omgivelserne ændrer sig, skal disse læringssystemer generelt starte forfra.

Den almindelige praksis med at genindsamle data fra bunden for ethvert nyt miljø betyder i bund og grund gen-lære grundlæggende viden om verden - en unødvendig indsats, siger Dasari og co.

RoboNet kommer uden om dette. Vi foreslår RoboNet, en åben database til deling af robotoplevelser, siger de. Så enhver robot kan lære af en andens erfaring.

For at sætte gang i databasen har teamet allerede optaget omkring 15 millioner videoframes med opgaver ved hjælp af syv forskellige typer robotter med forskellige gribere i en række forskellige miljøer.

Dasari og co fortsætter med at vise, hvordan man bruger denne database til at fortræne robotter til opgaver, de aldrig før har prøvet. Og de siger, at robotter, der er trænet med denne tilgang, klarer sig bedre end dem, der konventionelt er blevet trænet på endnu flere data.

Det RoboNet data er tilgængelig for alle at bruge. Og selvfølgelig håber Dasari og co, at andre forskerhold vil begynde at bidrage med deres eget for at gøre RoboNet til en stor ressource for robo-læring.

Det er et imponerende arbejde, der har et stort potentiale. Dette arbejde tager det første skridt mod at skabe robotagenter, der kan operere i en lang række miljøer og på tværs af forskellig hardware, siger teamet.

Selvfølgelig er der betydelige udfordringer forude. For eksempel skal forskere finde ud af, hvordan de bedst kan bruge dataene - juryen er stadig ude på de mest effektive træningsregimer. Vi håber, at RoboNet vil inspirere de bredere robotteknologi- og forstærkningslæringsfællesskaber til at undersøge, hvordan man kan skalere forstærkningslæringsalgoritmer for at imødekomme kompleksiteten i den virkelige verden, siger de.

Resultatet er både imponerende og tankevækkende: et slags robotuniversitet, der kan give enhver robot de færdigheder, den skal lære.

ImageNet har været en nøglefaktor i at gøre maskinsyn lige så god som mennesker til at genkende objekter. Hvis RoboNet kun er halvt så succesfuld, vil det være en imponerende gevinst.

Ref: arxiv.org/abs/1910.11215 : RoboNet: Multi-Robot læring i stor skala

skjule