211service.com
Hur en människa-maskin Mind-Meld kunde göra robotar smartare
Denna robotarm utnyttjar ibland mänsklig kontroll när den lär sig att greppa olika föremål.
En hemlighetsfull kanadensisk startup som heter Kindred AI lär robotar hur man utför svåra skickliga uppgifter i övermänskliga hastigheter genom att para ihop dem med mänskliga piloter som bär virtuell verklighetsheadset och håller i rörelsespårningskontroller.
Tekniken ger en fascinerande inblick i hur människor kan arbeta synkroniserat med maskiner i framtiden, och den visar hur att utnyttja mänskliga förmågor kan förstärka förmågan hos automatiserade system. Trots all oro över att robotar och artificiell intelligens eliminerar jobb, finns det massor av saker som maskiner fortfarande inte kan göra. Företaget demonstrerade hårdvaran för att MIT Technology Review förra veckan, och säger att de planerar att lansera en produkt riktad till återförsäljare under de kommande månaderna. De långsiktiga ambitionerna är mycket större. Kindred hoppas att detta mänskligt assisterade lärande kommer att främja en i grunden ny och kraftfullare typ av artificiell intelligens.
Kindred skapades av flera personer från D-Wave, ett kvantdatorföretag baserat i Burnaby, Kanada. Kindred testar för närvarande konventionella industrirobotarmar som kan greppa och placera föremål som kan vara besvärliga att hantera, som små klädesplagg, snabbare och mer tillförlitligt än vad som normalt är möjligt. Armarna gör detta genom att ibland be om hjälp från ett team av människor, som använder virtuell verklighetshårdvara för att se utmaningen och tillfälligt ta kontroll över en arm.
En pilot kan se, höra och känna vad roboten ser, hör och känner. När piloten agerar flyttar dessa handlingar roboten, säger Geordie Rose, som är medgrundare och VD för Kindred, och som tidigare var med och grundade D-Wave. Detta gör att vi kan visa robotar hur man agerar som människor. Människor är inte de snabbaste eller bäst på alla aspekter av robotstyrning, som att placera saker på specifika platser, men människor är fortfarande bäst på att förstå knepiga eller oförutsedda situationer.
Kindreds system använder flera maskininlärningsalgoritmer och försöker förutsäga om en av dessa skulle ge det önskade resultatet, som att greppa ett föremål. Om ingen verkar erbjuda en hög sannolikhet för framgång, kräver det mänsklig hjälp. Det viktigaste är att algoritmerna lär sig av en mänsklig kontrollants handlingar. För att uppnå detta använder företaget en form av förstärkningsinlärning, ett förhållningssätt som innebär experimenterande och stärkande beteende som leder till ett visst mål (se 10 Breakthrough Technologies 2017: Reinforcement Learning ).
Rose säger att systemet kan greppa små klädesplagg ungefär dubbelt så snabbt som en person som arbetar på sin egen burk, medan en robot som arbetar självständigt skulle vara för opålitlig att använda. En person kan också använda flera robotar samtidigt.
Rose tillägger att Kindred utforskar alla typer av mänskliga-i-slingan-system, från sådana där en person helt enkelt klickar på en bild för att visa en robot var man kan fatta något, till exoskelett i hela kroppen som ger kontroll över en humanoid robot. Han säger att piloter vanligtvis lär sig hur man styr ett fjärrstyrt robotsystem effektivt. När du använder kontrollapparaten är det först väldigt frustrerande, men människors sinnen är väldigt plastiga, och du anpassar dig, säger Rose.
Den tekniska inspirationen till tekniken kommer från Suzanne Gildert, som tidigare var senior forskare vid D-Wave, och som är Kindreds chief scientific officer. Företaget har arbetat i smygläge i flera år, men uppmärksammades när detaljer om ett patent inlämnat av Gildert dök upp på nätet . Patentet beskriver ett schema för att kombinera olika teleoperationssystem med maskininlärning. Faktum är att Kindreds vision för sin teknik tycks sträcka sig långt bortom att bygga robotar som är mer skickliga på att sortera.
Tanken var om du kunde göra det tillräckligt länge, och om du hade något slags AI-system i bakgrundsinlärningen, att du kanske kunde prova många olika AI-modeller och se vilka som tränade bättre, säger Gildert. Så småningom var min tanke, om du kan få en människa att demonstrera vad som helst via en robot, så finns det ingen anledning att roboten inte skulle kunna lära sig att vara väldigt mänsklig.
Mest iögonfallande beskrev Kindreds patent till och med möjligheten att låta sådana system kontrolleras av djur som apor. Gildert säger att detta var en spekulativ idé, och inga apor är för närvarande anställda av företaget. Hon säger dock att företaget har en robotkatt, utbildad med hjälp av förstärkningsinlärning, som vandrar runt på sitt kontor.
Kindred är också lite ovanligt, eftersom dess grundare är fysiker snarare än robotiker eller datavetare genom utbildning. Men Rose hävdar att detta erbjuder ett unikt och värdefullt perspektiv. För datavetare är gränsen mellan en simulering och den verkliga världen ibland suddig, säger han. Vi har en stark preferens för att göra den sortens saker vi gör i riktiga robotar i den verkliga världen.
Tillvägagångssättet Kindred eftersträvar verkar ha enorm potential. Ken Goldberg , en professor vid University of California, Berkeley, som är specialiserad på maskininlärning och robotik, säger att att utnyttja mänskliga färdigheter kommer att påskynda robotinlärning dramatiskt. Goldberg, som bland annat arbetar med ett liknande tillvägagångssätt för robotkirurgi, tillägger att det är ett mycket aktivt forskningsområde att låta robotar lära sig av människor. Det är kärnan i vad jag tror är en stor möjlighet inom robotik, säger Goldberg. Det finns en enorm fördel med att ha mänsklig demonstration.
Men de tekniska utmaningarna med lärande genom mänsklig teleoperation är inte obetydliga. Sangbae Kim , en docent vid MIT som arbetar med fjärrstyrda humanoida robotar, säger att det är oerhört komplicerat att kartlägga mänsklig kontroll till maskinåtgärder. Den första utmaningen är att spåra mänskliga rörelser genom att fästa stela länkar till den mänskliga huden. Det här är extremt svårt eftersom vi är endoskelettdjur, säger Kim. En större utmaning är att verkligen förstå alla detaljer i beslutsfattande steg hos människor, varav de flesta sker undermedvetet.
Grundarna av Kindred verkar dock knappast avskräckta. Vårt mål är att dekonstruera kognition, säger Rose. Alla levande varelser följer vissa beteende- och handlingsmönster. Vi försöker bygga maskiner som har samma typ av principer.