Google bygger ett Robotic Hive-Mind Kindergarten

Hur många robotar krävs för att öppna en dörr? Om robotarna försöker komma på hur de ska göra uppgiften från grunden, så hjälper det att ha så många som möjligt inblandade.

I tre separata forskningsartiklar som publicerades online i måndags visade forskare vid Google och andra dotterbolag till Alphabet flera sätt på vilka robotar kan lära sig att utföra enkla uppgifter snabbare genom att dela olika typer av lärandeupplevelser.

Forskarna utbildar team av industrirobotar att utföra enkla uppgifter med hjälp av en teknik som kallas förstärkningsinlärning, som kombinerar försök och misstag med positiv feedback. För tillfället är dessa uppgifter extremt enkla, som att öppna dörrar eller knuffa runt föremål. Men sådana framsteg kommer att vara avgörande om robotar någonsin ska kunna hjälpa till med vardagliga sysslor som att vika tvätten eller diska.

Fyra robotar övar på att öppna olika dörrar.

Även om robotar blir billigare och mer kapabla, är det en nästan omöjlig uppgift att programmera dem för att bete sig tillförlitligt i oförutsägbara vardagssituationer. Förstärkningsinlärning erbjuder en lösning genom att låta robotar programmera sig själva när de lär sig på jobbet. Men det kan vara mycket tidskrävande för en enskild bot att prova många olika sätt att utföra en syssla. Att dela inlärningsprocessen, en teknik som ofta kallas molnrobotik, kan hjälpa till att påskynda processen, även om idén finns kvar i ett tidigt skede (se 10 Breakthrough Technologies: Robots That Teach Other ).

I de tre tidningarna som släpptes i måndags, Sergey Levine , en forskare på Google som leder robotinlärningsarbetet, och kollegor beskriver flera inlärningsstrategier som kan fördelas över en grupp robotar.

I varje fall använder de inblandade robotarna neurala nätverk som försöker förutsäga resultatet av olika handlingar. Varje robot varierar sitt beteende något och förstärker sedan variationerna som ger större belöningar. Dessa nätverk återkopplas sedan med jämna mellanrum till en central server som bygger ett nytt neuralt nätverk som kombinerar allt inlärt beteende, och det nätverket omfördelas tillbaka till robotarna för ytterligare en träningsomgång.

I det första experimentet var målet att vrida ett dörrhandtag och öppna en dörr, och fyra olika robotar sattes igång med att öva på olika dörrar och handtagstyper. 'Eftersom robotarna tränades på dörrar som ser olika ut från varandra, lyckas den slutliga policyn på en dörr med ett handtag som ingen av robotarna hade sett tidigare', skrev Levine i en blogginlägg tillsammans med Timothy Lillicrap, en forskare på Google DeepMind, och Mrinal Kalakrishnan, en forskare vid X, Googles 'moonshot'-forskningsanläggning.

I det andra experimentet snabbades robotarnas inlärningsprocess upp tack vare samspelet mellan en person som styr en robotarm. Och i en tredje kom en robot på hur man flyttar och roterar objekt med hjälp av indata från en kamera och en inlärd förmåga att förutsäga hur handlingar skulle förändra bilden - vad forskarna beskriver som en enkel fysisk modell av världen. Stephanie Tellex , en biträdande professor vid Brown University som studerar robotinlärning, säger att detta är en spännande idé. 'Att förutsäga de fysiska effekterna av handlingar som att knuffa är spännande eftersom det gör det möjligt för roboten att förstå något om hur världen fungerar', säger hon.

Företaget är uppenbarligen angelägen om att få ut det mesta av vad som kan bli en kommande revolution på området tack vare tillämpningen av maskininlärningstekniker. Redan en del robottillverkare undersöker sätt att använda förstärkningsinlärning för att effektivisera programmeringen av sina produkter.

'Naturligtvis är de typer av beteenden som robotar idag kan lära sig fortfarande ganska begränsade', skrev författarna. 'Men när algoritmer förbättras och robotar används mer brett, kan deras förmåga att dela och dela sina erfarenheter vara avgörande för att de ska kunna hjälpa oss i våra dagliga liv.'

Dölj