2015-04-24 05:17:04
Στο κοντινό μέλλον μπορεί ρομπότ καθημερινής χρήσης να βρουν τον δρόμο τους... στα σπίτια των μέσων καταναλωτών, αναλαμβάνοντας απλές, καθημερινές εργασίες.
Για να γίνει κάτι τέτοιο, θα πρέπει να είναι δυνατή η «εκπαίδευσή» τους, για να μπορούν να χειρίζονται, για παράδειγμα, μια καφετιέρα.
Ωστόσο, ένα από τα ερωτήματα που τίθενται είναι κατά πόσον σε περίπτωση αλλαγής συσκευών θα πρέπει να αρχίζει ξανά η εκπαίδευσή τους από την αρχή.
«Το ρομπότ ήδη έχει “δει” δύο ή τρεις μηχανές του καφέ. Θα έπρεπε να είναι σε θέση να “καταλάβει” πώς να χρησιμοποιεί την καινούρια» αναφέρει ο Ασουτός Σαξένα, επίκουρος καθηγητής επιστήμης υπολογιστών.
Στη ρομποτική μέχρι σήμερα, σημειώνει, ένα ρομπότ πρέπει να «εκπαιδεύεται» για κάθε εργασία και πάντα να βρίσκεται στην ίδια «σχέση» με μια μηχανή και τα χειριστήριά της.
Στο Robot Learning Lab του, ο Σαξένα καθιστά τα ρομπότ πιο προσαρμοστικά, μέσω ενός νέου deep-learning αλγορίθμου που αναπτύχθηκε από αυτόν και τον Τζαεγιόνγκ Σουνγκ και επιτρέπει σε ένα ρομπότ να λειτουργεί μια μηχανή που δεν είχε δει ποτέ ξανά στο παρελθόν, με τις συμβουλές του βιβλίου οδηγιών (που κατά πάσα πιθανότητα είναι διαθέσιμο online) και βάσει της «εμπειρίας» με άλλες παρόμοιες συσκευές που έχουν παρεμφερή τρόπο χειρισμού
.
Ο Σαξένα θα παρουσιάσει τη δουλειά αυτού και του συνεργάτη του στις 16 Ιουλίου, στη συνδιάσκεψη 2015 Robotic Science and Systems στη Ρώμη.
Κάτι που δυσχεραίνει την εν λόγω διαδικασία είναι ο «θόρυβος» στις οδηγίες που δίνονται μέσω φυσικής γλώσσας, π.χ. η χρήση διαφορετικών ορισμών, καθώς και η θέση των χειριστηρίων (π.χ. κουμπιών).
Για αυτό, το ρομπότ αντλεί δεδομένα από μια βάση δεδομένων όπου βρίσκονται καταγεγραμμένες παρεμφερείς ενέργειες.
«Χρησιμοποιούμε ένα νευρικό δίκτυο deep learning που μπορεί να πει στο ρομπότ ποια πράξη στη βάση δεδομένων είναι η πιο κοντινή σε αυτήν που πρέπει να κάνει» εξηγεί ο Σουνγκ. Το deep learningκαταχωρεί τις πληροφορίες σε στρώματα, κατεβαίνοντας από το γενικό στο ειδικό.
Δουλεύει καλύτερα με μια πολύ μεγάλη βάση δεδομένων, οπότε οι ερευνητές στράφηκαν στο crowdsourcing για να συλλέξουν ένα μεγάλο εύρος ενεργειών, μέσω της υπηρεσίας Amazon Mechanical Turk.
Επίσης, από τη βάση δεδομένων το ρομπότ μαθαίνει επίσης να αναγνωρίζει διάφορα ήδη χειριστηρίων από το σχήμα τους περισσότερο παρά από τη θέση τους, και να τα παραλληλίζει με στοιχεία που βρίσκονται στις οδηγίες.
Η πρώτη δοκιμή έγινε με μια μηχανή εσπρέσσο, οπότε και οι ερευνητές χαρακτηρίζουν το ρομπότ τους ως robobarista (barista: εργαζόμενος σε καφετέρια). Μέχρι τώρα το ρομπότ έχει δοκιμαστεί με 116 διαφορετικές εφαρμογές, περιλαμβανομένων αποχυμωτών, λαμπών, μηχανής σόδας κ.α. Tromaktiko
Για να γίνει κάτι τέτοιο, θα πρέπει να είναι δυνατή η «εκπαίδευσή» τους, για να μπορούν να χειρίζονται, για παράδειγμα, μια καφετιέρα.
Ωστόσο, ένα από τα ερωτήματα που τίθενται είναι κατά πόσον σε περίπτωση αλλαγής συσκευών θα πρέπει να αρχίζει ξανά η εκπαίδευσή τους από την αρχή.
«Το ρομπότ ήδη έχει “δει” δύο ή τρεις μηχανές του καφέ. Θα έπρεπε να είναι σε θέση να “καταλάβει” πώς να χρησιμοποιεί την καινούρια» αναφέρει ο Ασουτός Σαξένα, επίκουρος καθηγητής επιστήμης υπολογιστών.
Στη ρομποτική μέχρι σήμερα, σημειώνει, ένα ρομπότ πρέπει να «εκπαιδεύεται» για κάθε εργασία και πάντα να βρίσκεται στην ίδια «σχέση» με μια μηχανή και τα χειριστήριά της.
Στο Robot Learning Lab του, ο Σαξένα καθιστά τα ρομπότ πιο προσαρμοστικά, μέσω ενός νέου deep-learning αλγορίθμου που αναπτύχθηκε από αυτόν και τον Τζαεγιόνγκ Σουνγκ και επιτρέπει σε ένα ρομπότ να λειτουργεί μια μηχανή που δεν είχε δει ποτέ ξανά στο παρελθόν, με τις συμβουλές του βιβλίου οδηγιών (που κατά πάσα πιθανότητα είναι διαθέσιμο online) και βάσει της «εμπειρίας» με άλλες παρόμοιες συσκευές που έχουν παρεμφερή τρόπο χειρισμού
Ο Σαξένα θα παρουσιάσει τη δουλειά αυτού και του συνεργάτη του στις 16 Ιουλίου, στη συνδιάσκεψη 2015 Robotic Science and Systems στη Ρώμη.
Κάτι που δυσχεραίνει την εν λόγω διαδικασία είναι ο «θόρυβος» στις οδηγίες που δίνονται μέσω φυσικής γλώσσας, π.χ. η χρήση διαφορετικών ορισμών, καθώς και η θέση των χειριστηρίων (π.χ. κουμπιών).
Για αυτό, το ρομπότ αντλεί δεδομένα από μια βάση δεδομένων όπου βρίσκονται καταγεγραμμένες παρεμφερείς ενέργειες.
«Χρησιμοποιούμε ένα νευρικό δίκτυο deep learning που μπορεί να πει στο ρομπότ ποια πράξη στη βάση δεδομένων είναι η πιο κοντινή σε αυτήν που πρέπει να κάνει» εξηγεί ο Σουνγκ. Το deep learningκαταχωρεί τις πληροφορίες σε στρώματα, κατεβαίνοντας από το γενικό στο ειδικό.
Δουλεύει καλύτερα με μια πολύ μεγάλη βάση δεδομένων, οπότε οι ερευνητές στράφηκαν στο crowdsourcing για να συλλέξουν ένα μεγάλο εύρος ενεργειών, μέσω της υπηρεσίας Amazon Mechanical Turk.
Επίσης, από τη βάση δεδομένων το ρομπότ μαθαίνει επίσης να αναγνωρίζει διάφορα ήδη χειριστηρίων από το σχήμα τους περισσότερο παρά από τη θέση τους, και να τα παραλληλίζει με στοιχεία που βρίσκονται στις οδηγίες.
Η πρώτη δοκιμή έγινε με μια μηχανή εσπρέσσο, οπότε και οι ερευνητές χαρακτηρίζουν το ρομπότ τους ως robobarista (barista: εργαζόμενος σε καφετέρια). Μέχρι τώρα το ρομπότ έχει δοκιμαστεί με 116 διαφορετικές εφαρμογές, περιλαμβανομένων αποχυμωτών, λαμπών, μηχανής σόδας κ.α. Tromaktiko
ΜΟΙΡΑΣΤΕΙΤΕ
ΔΕΙΤΕ ΑΚΟΜΑ
ΠΡΟΗΓΟΥΜΕΝΟ ΑΡΘΡΟ
Αλάσκα: Εξόντωση ταράνδων για τη διάσωση χλωρίδας απομακρυσμένου νησιού
ΕΠΟΜΕΝΟ ΑΡΘΡΟ
Νέο είδος διάφανου βατράχου ανακαλύφθηκε στην Κόστα Ρίκα
ΣΧΟΛΙΑΣΤΕ
