[ad_1]
//php echo do_shortcode(‘[responsivevoice_button voice=»US English Male» buttontext=»Listen to Post»]’) ?>
Un grupo de investigadores ha desarrollado una técnica de aprendizaje automático (ML) para controlar un robot personal, lo que da como resultado un mejor rendimiento con menos datos. La técnica ayuda al propietario de un robot sin conocimientos técnicos a descubrir por qué un robot falló en una tarea y luego corregirlo ellos mismos en lugar de enviarlo de regreso a la fábrica.
«En este trabajo, asumimos que diferentes usuarios pueden querer hacer cosas muy diferentes en su hogar», dijo a EE Times Andi Peng, estudiante graduado del MIT en ingeniería eléctrica e informática (EECS). «Pero lo que fundamentalmente quieren hacer en términos de tareas no es tan diferente de lo que el robot ya sabe». Entonces la pregunta es: ¿Cómo se extrae el conocimiento adicional necesario para hacer lo que el robot ya sabe? ¿Qué hace el hombre?
Peng y un equipo del MIT, el Instituto de Tecnología Stevens y la Universidad de California, Berkeley, desarrollaron un algoritmo y lo utilizaron en una simulación para pedir información al propietario humano del robot después de que el robot fallara en una tarea, para descubrir cuál era la brecha. fue, conocer los conocimientos del robot y tomar medidas para solucionar el problema. Su investigación utilizó una aplicación de simulación, un Agente de Atención Visual Motora (VIMA), desarrollada por la Universidad de Stanford.
Los investigadores utilizaron un robot colaborativo (o cobot) estacionario Universal Robots UR5e para su simulación.
“El problema es que cada vez que hay que hacer una nueva tarea hay que repetir el proceso [training the robot]Luego se borra la memoria del robot y luego se le enseña algo completamente nuevo, por lo que no hay una adaptación constante», dijo. «En lugar de entrenar desde cero con nuevos datos, encontramos una manera de adaptar el algoritmo actual más rápidamente mediante el aprendizaje automático».
¿Rojo? ¿Azul?
Por ejemplo, si el cobot fue entrenado para tomar un libro rojo, podría fallar cuando se le indique que tome un libro azul. En este caso, el sistema del equipo utiliza un algoritmo para crear explicaciones «contrafactuales» que identifican lo que debe cambiar para que el robot tenga éxito. Luego recibe retroalimentación del humano sobre por qué falló el robot y utiliza la retroalimentación y las explicaciones contrafácticas para generar nuevos datos para ajustar el robot.
«Estamos literalmente demostrando cómo el robot completa correctamente la tarea en una situación contrafáctica», dijo Peng. “Y a partir de esta demostración, básicamente podemos hacer lo que llamamos un proceso de aumento. Entonces podremos comprar nuevos datos prácticamente gratis”.
Luego, el robot puede coger un libro de cualquier color sin tener que aprender miles de volúmenes. La alternativa sería enviar el robot de regreso a la fábrica para volver a capacitarlo.
En julio, Peng y su investigador asociado del MIT EECS, Aviv Netanyahu, un investigador asociado, presentaron los resultados de su trabajo en una presentación de póster en la 40ª Conferencia Internacional.Th Congreso Internacional sobre Aprendizaje Automático.
Entrenamiento de robots 1.1
Netanyahu dijo que el sistema sólo funciona para artículos que se pueden recoger de manera similar. Su simulación se llevó a cabo utilizando un accesorio de succión en el extremo del brazo del cobot, que fue entrenado para recoger artículos domésticos comunes como sartenes, cajas y bloques de construcción. No funcionaría con un objeto en el que no estuviera entrenado, ni con otro accesorio en el extremo del brazo como una pinza, dijo.
«Si necesitamos entender algo muy, muy diferente, no podemos simplemente cambiar el color y hacer las mismas acciones y hacer que el robot funcione», dijo Netanyaho. “Necesitamos nuevas medidas. Entonces en este caso podríamos adaptarnos a lo que el humano nos da, pero no podríamos usar toda la información de entrenamiento que teníamos porque usaba diferentes acciones. Así que tal vez sea 1,1”.
Inserte «persona» en «bot personal».
El trabajo de Peng y Netanyahu tiene que ver con las interacciones entre humanos y robots.
«Nos motiva la idea de que el usuario final, en casa o en otro lugar, es la persona a quien debemos adaptar algoritmos específicos», dijo Peng.
Para que los robots personales se generalicen, ella y sus colegas investigadores necesitarán ampliar el grupo objetivo de usuarios de bots más allá de los expertos en tecnología.
Para ello, están desarrollando métodos de control de bots para personas mayores, sin conocimientos técnicos y personas con discapacidad.
«Realmente queríamos estudiar qué sucede cuando hay este cambio en la distribución, qué sucede cuando su hogar de repente es muy diferente de su fábrica», dijo Netanyahu, donde se está entrenando a un robot. “Y eso es lo principal que estamos impulsando o tratando de explorar: ¿Qué sucede cuando tienes las mismas tareas pero las cosas cambian? Aún quieres que tu robot funcione”.
[ad_2]