AI kan hjälpa till att göra robotar billigare utan att begränsa deras förmågor

Kategori: Artificiell intelligens Postad 19 juli

Transfer learning, förmågan att använda kunskap som tidigare vunnits från ett sammanhang i ett annat, skulle kunna lära billiga robotar att prestera lika bra som dyra.

Sammanhanget: En av de svåraste utmaningarna som robotteknik för närvarande står inför är att få roboten att fungera smidigt utanför labbet. I en forskningsmiljö är det möjligt att utrusta roboten med dyra sensorer och ge den en idealisk miljö för att lära sig navigering. Men i den verkliga världen skulle det visa sig kostsamt och ovänligt för konsumenterna att använda samma sensorer. Dessutom är det rörigt och ofullkomligt.

Förslaget: Forskare vid Fria universitetet vände sig till en typ av maskininlärning som kallas överföringsinlärning för att se om de kunde lösa problemet. Transfer learning är processen att ta vad en algoritm har lärt sig i ett sammanhang och tillämpa det i ett annat. Den skulle kunna användas för att anpassa en algoritm som styr en robot i labbet så att den kan styra en robot i den verkliga världen. Det betyder att roboten först kan träna med fördelen av bättre sensorer och en bättre miljö, och sedan utnyttja det den lärt sig även när den bara har billiga sensorer och en dålig miljö.

Resultaten: För att testa denna idé skapade forskarna en robot i en simulerad miljö som den navigerade först med hjälp av åtta närhetssensorer och sedan med en enda kamera. De fann att när den robotstyrande algoritmen använde överföringsinlärning för att fatta beslut – endast med kameraåtkomst – lärde den sig att navigera runt i rummet mycket snabbare än när den inte använde någon överföringsinlärning alls. Det var också mycket snabbare än när det använde överföringsinlärning under träning snarare än beslutsfattande.

För att få fler berättelser som denna levererade direkt till din inkorg, registrera dig för vårt Webby-nominerade AI-nyhetsbrev The Algorithm. Det är gratis.