Den här roboten lär sig att plocka upp muggar genom att först lära sig en teori om mugghet

Kategori: Artificiell intelligens Postad 19 mars

Trots alla de senaste framstegen inom maskinintelligens kämpar robotar fortfarande med att anpassa relativt enkla uppgifter till nya situationer. Ta till exempel att plocka upp en mugg och hänga den på ett muggställ; även små förändringar i en muggs form, storlek, färg och orientering kan kasta bort en robot.

I en ny papper , föreslår nu forskare vid MIT en ny teknik för att hjälpa robotar att generalisera sin inlärning med relativt lite data. De gör det genom att träna ett neuralt nätverk för att extrahera bara några få nyckelpunkter från en mugg eller annat föremål som måste plockas upp och placeras, vilket ger roboten en visuell vägkarta för hur den ska greppa och orientera den. Under testningen fann de att boten bara behövde tre nyckelpunkter för en mugg - en på mitten av sidan, en på botten och en på handtaget - och sex nyckelpunkter för en sko.

Till skillnad från tidigare tekniker som kräver hundratals eller till och med tusentals exempel för en robot att lära sig att plocka upp en mugg som den aldrig har sett förut, detta närma sig kräver bara några dussin. Forskarna kunde träna det neurala nätverket på 60 scener av muggar och 60 scener av skor för att nå en liknande prestandanivå. När systemet först misslyckades med att plocka upp höga klackar eftersom det inte fanns några i datamängden, åtgärdade de snabbt problemet genom att lägga till några märkta scener med höga klackar till datan.

Teamet hoppas kunna använda tillvägagångssättet för att ta itu med större uppgifter härnäst, som att lasta av en diskmaskin eller torka av en köksbänk.

Den här historien dök ursprungligen upp i vårt AI-nyhetsbrev The Algorithm. För att få det direkt levererat till din inkorg, registrera dig här gratis.