Välkommen till robotuniversitetet (endast robotar behöver ansöka)

Fotografi av en robotarm Mr. Tech

En av de obesjungna hjältarna i AI-revolutionen är en föga känd databas som heter ImageNet . ImageNet, skapat av forskare vid Princeton University, innehåller cirka 14 miljoner bilder, var och en av dem kommenterade av crowdsourced text som förklarar vad bilden visar.

ImageNet är viktigt eftersom det är databasen som många av dagens kraftfulla neurala nätverk skär tänderna på. Neurala nätverk lär sig genom att titta på bilderna och den tillhörande texten – och ju större databasen är, desto bättre lär de sig. Utan ImageNet och andra visuella datamängder som det, skulle inte ens de mest kraftfulla neurala nätverken kunna känna igen någonting.

Nu säger robotister att de vill prova ett liknande tillvägagångssätt med video för att lära sina laddningar hur man interagerar med miljön. Sudeep Dasari vid University of California, Berkeley, och kollegor skapar en databas som heter RoboNet, som består av kommenterade videodata från robotar i aktion. Till exempel kan data inkludera ett flertal tillfällen av en robot som flyttar en kopp över ett bord. Tanken är att vem som helst kan ladda ner denna data och använda den för att träna en robots neurala nätverk för att flytta en kopp också, även om den aldrig har interagerat med en kopp tidigare.

Dasari och co hoppas kunna bygga sin databas till en resurs som kan förträna nästan vilken robot som helst för att utföra nästan vilken uppgift som helst – ett slags robotuniversitet, som teamet kallar RoboNet.

Fram till nu har robotiker haft begränsad framgång med att lära sina laddningar hur man navigerar och interagerar med miljön. Deras tillvägagångssätt är den vanliga maskininlärningstekniken som ImageNet hjälpte till att popularisera.

De börjar med att registrera hur en robot interagerar med, säg, en borste för att flytta den över en yta. Sedan tar de många fler videor av dess rörelse och använder data för att träna ett neuralt nätverk i hur man bäst utför åtgärden.

Tricket är naturligtvis att ha massor av data – med andra ord otaliga timmar med video att lära av. Och när en robot väl har bemästrat borströrelsen måste den gå igenom samma inlärningsprocedur för att flytta nästan allt annat, vare sig det är en sked eller ett par glasögon. Om miljön förändras måste dessa lärsystem i allmänhet börja om från början.

Den vanliga praxisen att återinsamla data från grunden för varje ny miljö innebär i grunden att man lär sig om grundläggande kunskap om världen – en onödig ansträngning, säger Dasari och co.

RoboNet kommer runt detta. Vi föreslår RoboNet, en öppen databas för att dela robotupplevelser, säger de. Så vilken robot som helst kan lära sig av en annans erfarenhet.

För att kickstarta databasen har teamet redan spelat in cirka 15 miljoner videorutor med uppgifter med hjälp av sju olika typer av robotar med olika gripdon i en mängd olika miljöer.

Dasari och co fortsätter med att visa hur man använder denna databas för att förträna robotar för uppgifter som de aldrig tidigare har försökt. Och de säger att robotar som tränats med detta tillvägagångssätt presterar bättre än de som har tränats på konventionellt sätt på ännu mer data.

De RoboNet-data är tillgänglig för alla att använda. Och naturligtvis hoppas Dasari och co att andra forskarlag kommer att börja bidra med sina egna för att göra RoboNet till en stor resurs för robo-lärande.

Det är ett imponerande arbete som har stor potential. Detta arbete tar det första steget mot att skapa robotagenter som kan verka i ett brett spektrum av miljöer och över olika hårdvara, säger teamet.

Naturligtvis finns det betydande utmaningar framför oss. Till exempel måste forskare ta reda på hur man bäst kan använda uppgifterna – juryn är fortfarande ute på de mest effektiva utbildningsregimerna. Vi hoppas att RoboNet kommer att inspirera de bredare robotik- och förstärkningsinlärningsgemenskaperna att undersöka hur man kan skala förstärkningsinlärningsalgoritmer för att möta komplexiteten i den verkliga världen, säger de.

Resultatet är både imponerande och tankeväckande: ett slags robotuniversitet som kan ge vilken robot som helst de färdigheter den behöver lära sig.

ImageNet har varit en nyckelfaktor för att göra maskinseende lika bra som människor på att känna igen föremål. Om RoboNet bara är hälften så framgångsrikt blir det en imponerande vinst.

Ref: arxiv.org/abs/1910.11215 : RoboNet: Multi-Robot Learning i stor skala

Dölj