طبق یک مطالعه منتشر شده در PLOS محاسبات زیست شناسی توسط Itamar Eliakim از دانشگاه تل آویو ، و همکارانش ، یک ربات زمینی کاملاً مستقل مانند خفاش به نام رباط ، می تواند از echolocation برای حرکت در محیط جدید و در حالی که نقشه برداری آن صرفاً بر اساس صدا استفاده می کند ، استفاده کند .
خفاش ها از echolocation برای نقشه برداری از محیط های جدید استفاده می کنند و همزمان با پخش صدا و استخراج اطلاعات از مداوای منعکس شده از اشیاء اطراف خود ، از طریق آنها حرکت می کنند. چارچوب های نظری بسیاری برای توضیح چگونگی حل کردن خفاش ها به طور مرتب یکی از چالش برانگیزترین مشکلات در رباتیک پیشنهاد شده است ، اما تلاش های اندکی برای ساخت یک ربات واقعی انجام شده است که توانایی های آنها را تقلید می کند. برخلاف اکثر تلاشهای قبلی برای استفاده از سونار در رباتیک ، الیاکیم و همکارانش روبی را تولید کردند که از یک روش بیولوژیکی خفاش مانند ، انتشار صدا و تجزیه و تحلیل تکرارهای برگشتی برای تولید نقشه ای از فضا ساخته شده است.
Robat دارای بلندگو اولتراسونیک است که از دهان تقلید می کند ، و باعث می شود صدای حلقه های اصلاح شده با فرکانس با سرعتی که معمولاً توسط خفاش ها استفاده می شود ، و همچنین دو میکروفون اولتراسونیک که گوش را تقلید می کنند ، تولید کند. این خودکار از طریق یک رمان در فضای باز منتقل محیط زیست و آن را در زمان واقعی با استفاده از تنها صدا را نگاشت. رباط مرزهای اشیاء را که با آن روبرو می شود ، ترسیم می کند و آنها را با استفاده از شبکه عصبی مصنوعی طبقه بندی می کند ، بنابراین با جلوگیری از موانع ، نقشه ای غنی و دقیق از محیط خود ایجاد می کند. به عنوان مثال ، هنگام رسیدن به بن بست ، ربات از توانایی طبقه بندی خود برای تعیین اینکه آیا این وسیله توسط یک دیوار مسدود شده است یا گیاهانی که می تواند از آن عبور کند مسدود کرده است.
"به بهترین دانش ما ، ربات ما اولین روبات کاملاً مستقل مانند خفاش است که از نظر زیست شناختی قابل قبول است و در حالی که نقشه برداری آن را صرفاً بر اساس اطلاعات اکو - مشخص کردن مرزهای اشیاء و مسیرهای آزاد بین آنها و تشخیص نوع آنها ، از طریق یک محیط جدید حرکت می کند. "الیاکیم گفت. "ما پتانسیل بسیار خوبی در استفاده از صدا برای برنامه های روباتیک آینده نشان می دهیم."
تحقیقات جدید نشان می دهد ، نشان دادن تعصب نسبت به دیگران به سطح بالایی از توانایی شناختی نیاز ندارد و به راحتی توسط ماشینهای هوشمند مصنوعی قابل نمایش است.
کارشناسان علوم رایانه و روانشناسی از دانشگاه کاردیف و MIT نشان داده اند که گروه هایی از ماشین های خودمختار می توانند با شناسایی ، کپی و یادگیری این رفتار از یکدیگر تعصب نشان دهند .
ممکن است به نظر برسد که تعصب یک پدیده خاص انسانی است که نیازمند شناخت انسان است تا یک فرد یا گروه خاص را به عقیده یا کلیشه ای شکل دهد.
گرچه برخی از الگوریتم های رایانه ای پیش از این تعصباتی مانند نژادپرستی و یسم را بر اساس یادگیری از سوابق عمومی و سایر داده های تولید شده توسط انسان ها به نمایش گذاشته اند ، اما این اثر جدید احتمال بروز تکامل هوش مصنوعی گروه های پیشگیرانه را به خودی خود نشان می دهد.
یافته های جدید ، که در ژورنال Science Reports منتشر شده اند ، مبتنی بر شبیه سازی های رایانه ای است که چگونه افراد تحت تعقیب مشابه ، یا عوامل مجازی ، می توانند یک گروه تشکیل دهند و با یکدیگر تعامل داشته باشند.
در یک بازی دادن و گرفتن ، هر فرد تصمیم می گیرد که آیا بر اساس شهرت یک فرد یا بر اساس شهرت فردی و همچنین استراتژی اهدای خود به شخصی که در گروه خود قرار دارد اهدا کند ، این شامل می شود که شامل تعصبات آنها باشد. نسبت به افراد خارجی
با شروع بازی و یک ابر رایانه هزاران شبیه سازی را در خود جای می دهد ، هر یک از افراد با کپی کردن دیگران یا در گروه خود یا کل جمعیت ، شروع به یادگیری استراتژی های جدید می کنند .
پرفسور تحقیق پرفسور راجر ویتاکر ، از مؤسسه تحقیقات جنایی و امنیتی دانشگاه کاردیف و دانشکده علوم کامپیوتر و انفورماتیک ، گفت: "با اجرای این شبیه سازی ها هزاران و هزاران بار بار دیگر ، ما شروع به درک چگونگی تعصب می کنیم. تکامل می یابد و شرایطی را ایجاد می کند که مانع آن می شود.
"شبیه سازی های ما نشان می دهد که تعصب نیرویی قدرتمند از طبیعت است و از طریق تکامل ، به راحتی می تواند در جوامع مجازی تحریک شود ، به ضرر ارتباط گسترده تر با دیگران باشد. یک جمعیت شکسته. چنین تعصب گسترده ای مع نیست. "
این یافته ها شامل افرادی می شود که با پیش تر ترجیح کپی کردن مواردی که بازپرداخت کوتاه مدت بالاتری دارند ، سطح تعصبات خود را به روز می کنند ، به این معنی که این تصمیمات وماً به توانایی های شناختی پیشرفته نیاز ندارند.
پروفسور ویتاکر ادامه داد: "این امکان پذیر است که ماشین های خودمختار با قابلیت شناسایی با تبعیض و کپی کردن دیگران بتوانند در آینده مستعد پدیده های پیش داوری باشند که در جمعیت انسانی شاهد آن هستیم."
وی گفت: "بسیاری از پیشرفت های هوش مصنوعی که شاهد آن هستیم مستقل بودن و کنترل خود است ، به این معنی که رفتار دستگاه ها نیز تحت تأثیر دیگران در اطراف خود است. وسایل نقلیه و اینترنت اشیاء دو نمونه اخیر هستند. مطالعه ما یک بینش نظری را در آنجا شبیه سازی می کند. مأمورین بطور دوره ای از دیگران به دنبال نوعی منابع هستند. "
یک یافته جالب دیگر از مطالعه این بود که در شرایط خاص ، که شامل زیر مجموعه های متمایزتری از حضور در یک جمعیت است ، پیش بینی تعقیب دشوارتر بود.
"با تعداد بیشتری از زیرمجموعه‌ها ، اتحادهای گروه‌های غیر تعصبی می توانند بدون سوءاستفاده همکاری کنند. این امر همچنین وضعیت آنها را به عنوان اقلیت کاهش می دهد و حساسیت به تعصبات درگیر را کاهش می دهد. تعامل خارج از گروه آنها ، "پروفسور ویتاکر نتیجه گیری کرد.
برنامه های نرم افزاری انواع مختلفی از تصمیمات خودکار را به شما ارائه می دهند ، مانند شناسایی خطر اعتباری یک فرد ، اطلاع رسانی به استخدام کننده از کدام نامزد شغلی برای استخدام یا تعیین اینکه آیا کسی تهدیدی برای مردم است. در سالهای اخیر ، عناوین خبری نسبت به آینده ای که ماشینها در پس زمینه جامعه فعالیت می کنند هشدار داده اند و ضمن استفاده از منطق غیرقابل اعتماد ، مسیر زندگی انسان ها را تعیین می کنند.
بخشی از این ترس ناشی از روش مبهمی است که در آن بسیاری از مدلهای یادگیری ماشین کار می کنند. آنها به عنوان مدل های جعبه سیاه شناخته می شوند و به عنوان سیستم هایی تعریف می شوند که در آن سفر از ورودی به خروجی در کنار حتی توسعه دهندگان آنها برای درک غیر ممکن است.
جاناتان سو می گوید: "از آنجا که یادگیری ماشینی همه کاره می شود و برای برنامه های کاربردی با پیامدهای جدی تر مورد استفاده قرار می گیرد ، نیاز به درک مردم وجود دارد که چگونه پیش بینی های خود را انجام می دهند ، بنابراین آنها می توانند به آن اعتماد کنند که بیشتر از ارائه تبلیغات باشد." از اعضای کادر فنی گروه انفورماتیک و پشتیبانی تصمیم گیری آزمایشگاه MIT لینکلن.
در حال حاضر ، محققان یا از تکنیک های post hoc یا از یک مدل قابل تفسیر مانند درخت تصمیم برای توضیح چگونگی رسیدن یک مدل جعبه سیاه به نتیجه خود استفاده می کنند. محققان با تکنیک های post hoc ، ورودی ها و خروجی های یک الگوریتم را مشاهده می کنند و سپس سعی می کنند توضیحی تقریبی را برای آنچه که در جعبه سیاه اتفاق افتاده است ، بسازند. مسئله این روش این است که محققان فقط می توانند در کارهای داخلی حدس بزنند و توضیحات اغلب ممکن است اشتباه باشد. درختان تصمیم گیری ، که انتخاب نقشه ها و پیامدهای احتمالی آنها در ساخت و ساز مانند درخت است ، برای داده های دسته ای که ویژگی های آنها معنی دار است ، کار می کنند ، اما این درختان در حوزه های مهم مانند دید رایانه ای و سایر مشکلات پیچیده داده قابل تفسیر نیستند.
سو تیمی را در آزمایشگاه که با پروفسور سینتیا رودین در دانشگاه دوک همکاری می کند به همراه دانشجویان دوک چائوفان چن ، اسکار لی و آلیا بارنت رهبری می کند تا روشهای تحقیق برای جایگزینی مدلهای جعبه سیاه را با روشهای پیش بینی شفاف تر انجام دهد. پروژه آنها ، با عنوان یادگیری قابل تفسیر ماشین قابل تفسیر (AIM) ، روی دو رویکرد متمرکز است: شبکه های عصبی قابل تفسیر و همچنین لیست های قاعده بیزی قابل تنظیم و قابل تفسیر (BRL).
شبکه عصبی یک سیستم محاسباتی است که از بسیاری از عناصر پردازش بهم پیوسته تشکیل شده است. این شبکه ها به طور معمول برای تجزیه و تحلیل تصویر و تشخیص شی استفاده می شوند. به عنوان مثال ، یک الگوریتم را می توان آموخت که تشخیص دهد که آیا یک عکس شامل یک سگ است که در ابتدا به آنها عکس سگ نشان داده می شود. محققان می گویند مشکل این شبکه های عصبی این است که کارکردهای آنها غیرخطی و بازگشتی و همچنین برای انسان پیچیده و گیج کننده است و نتیجه نهایی این است که مشخص کردن اینکه دقیقاً این شبکه با عنوان "سگی" در میان عکس ها مشخص کرده است ، دشوار است. و چه چیزی منجر به این نتیجه گیری شد.
برای برطرف کردن این مشکل ، تیم در حال توسعه مواردی است که از آن به عنوان "شبکه های عصبی نمونه اولیه" استفاده می شود. اینها با شبکه های عصبی سنتی متفاوت است از آنجا که آنها به طور طبیعی توضیحات مربوط به هر یک از پیش بینی های خود را با ایجاد نمونه های اولیه ، که به ویژه بخش هایی از تصویر ورودی هستند ، رمزگذاری می کنند. این شبکه ها پیش بینی های خود را بر اساس شباهت قسمت هایی از تصویر ورودی به هر نمونه اولیه انجام می دهند.
به عنوان نمونه ، اگر یک شبکه وظیفه دارد تشخیص دهد که یک تصویر از سگ ، گربه یا اسب است ، می تواند بخش هایی از تصویر را با نمونه های اصلی قسمت های مهم هر حیوان مقایسه کند و از این اطلاعات برای پیش بینی استفاده کند. مقاله ای در مورد این اثر: "این طور به نظر می رسد: یادگیری عمیق برای تشخیص تصویر قابل تفسیر" ، اخیراً در اپیزودی از پادکست " علم داده در خانه " نمایش داده شد. مقاله قبلی ، "یادگیری عمیق برای استدلال مبتنی بر مورد از طریق نمونه های اولیه: یک شبکه عصبی که پیش بینی های آن را توضیح می دهد" ، از کل تصاویر به عنوان نمونه های اولیه استفاده می کرد نه قسمت.
حوزه دیگری که تیم تحقیق در حال بررسی آن است BRL ها هستند که درختان تصمیم گیری یک طرفه کمتری دارند و برای داده های جدولی مناسب هستند و اغلب به اندازه مدل های دیگر دقیق هستند. BRL ها از دنباله ای از عبارات شرطی ساخته شده اند که به طور طبیعی یک مدل قابل تفسیر را تشکیل می دهند. به عنوان مثال ، اگر فشار خون بالا باشد ، خطر بیماری قلبی زیاد است. سو و همکارانش از خواص BRL ها استفاده می کنند تا کاربران را قادر سازند تا نشان دهند که کدام ویژگی ها برای یک پیش بینی مهم هستند. آنها همچنین در حال توسعه BRL های تعاملی هستند ، که می توانند بلافاصله هنگام ورود داده های جدید به جای تلافی شدن دوباره از ابتدا در یک مجموعه داده رو به رشد ، سازگار شوند.
استفانی کارنل ، دانشجوی فارغ التحصیل دانشگاه فلوریدا و کارورز تابستانی در گروه انفورماتیک و پشتیبانی تصمیم گیری ، با استفاده از BRL های تعاملی از برنامه AIM به یک پروژه کمک می کند تا دانشجویان پزشکی در مصاحبه و تشخیص بیماران بهتر شوند. در حال حاضر ، دانشجویان پزشکی این مهارت ها را با مصاحبه با بیماران مجازی و دریافت نمره از اطلاعات مهم تشخیصی قادر به کشف آنها تمرین می کنند. اما این نمره توضیحی درمورد آنچه دقیقاً در مصاحبه دانشجویان برای دستیابی به نمره خود آورده اند ، ندارد. پروژه AIM امیدوار است این مورد را تغییر دهد.
کارن می گوید: "می توانم تصور کنم که بیشتر دانشجویان پزشکی از دریافت پیش بینی در مورد موفقیت بدون دلیل خاصی دلیل ناامید شدن بسیار ناامید هستند." "لیست های قانونی ایجاد شده توسط AIM باید روشی ایده آل برای دادن بازخورد قابل درک به محور دانش آموزان باشد."
برنامه AIM بخشی از تحقیقات در حال انجام در آزمایشگاه در مهندسی سیستم های انسانی یا تمرین طراحی سیستم هایی است که با نحوه تفکر و عملکرد افراد سازگارتر هستند ، مانند الگوریتم های قابل درک و نه مبهم.
هلی رینولدز ، دستیار رهبر گروه انفورماتیک و پشتیبانی از تصمیم گیری می گوید: "آزمایشگاه این فرصت را دارد که یک رهبر جهانی در جمع انسان ها و فناوری باشد." "ما در پیش رو پیشرفت های عظیم هستیم."
ملووا جیمز یکی دیگر از اعضای کادر فنی در گروه انفورماتیک و پشتیبانی تصمیم گیری است که در پروژه AIM شرکت دارد. او می گوید: "ما در آزمایشگاه پیاده سازی های پایتون را با استفاده از BRL و BRL های تعامل ایجاد کرده ایم." "[ما] به طور همزمان آزمایش خروجی برنامه های BRL و تعامل BRL بر روی سیستم عامل های مختلف و سیستم عامل های سخت افزاری را برای ایجاد قابلیت حمل و تکرارپذیری آزمایش می کنیم. ما همچنین برنامه های کاربردی دیگری از این الگوریتم ها را شناسایی می کنیم."
سوسری بزرگتر از کلیپ های کاغذی بزرگ در کف آزمایشگاه Abhishek Dutta در دانشگاه کانکتیکات نیست.
ممکن است برخی از دانشمندان از دیدن چنین بازدید کننده بدنام در فضای تحقیق خود شوکه شوند.
اما نه دوتا. او با تماشای پرش به سمت چپ ، و سپس راست ، سپس دوباره سمت چپ ، به عنوان کف کاشی خنک می رود. علاقه او کاملاً بنیادی است ، زیرا او کسی است که با یک وسیله دستی کوچک در حدود 15 فوت دورتر ، حرکتهای موجودات کوچک را آغاز می کند.
سوسک خسته کننده ماداگاسکار در این آزمایشگاه فقط هیچ یک از اعضای قدیمی سفارش Blattodea نیست. این یک هیبرید روبوت-روچو ، یک ه بی سیم سخت - سایبورگ در صورت تمایل است - و ممکن است برادران آینده فناوری پیشرفته آن یک روز جان شما را نجات دهند.
دوتا ، استادیار مهندسی برق و رایانه که در زمینه بهینه سازی سیستم کنترل و سیستم های سایبر-فیزیکی است ، می گوید: "استفاده از ات به عنوان سکو برای ربات های کوچک تعداد باورنکردنی کاربردهای مفید دارد ، از جستجو و نجات گرفته تا دفاع ملی."
با این حال روبات های خروس چیز جدیدی نیستند. محققان در حال جستجوی سکوهای بیوروبیک برای ات برای قسمت بهتر دهه گذشته هستند. اما ساختن سیستم های رباتیک در چنین مقیاس مینیاتوری کار ساده ای نیست و به نظر می رسد این فناوری تنها در حدود نیمی از زمان کار می کند.
در مقاله ای که به زودی در مجموعه مقالات کنفرانس علوم اعصاب محاسباتی شناختی ، Philadelphia 20 ، Dutta و کارشناسی ارشد Evan Fakkner ، کارشناسی ارشد در آزمایشگاه خود منتشر می شود ، گزارشی از ایجاد آنها در یک میکروسکوپ ارائه می دهد که به گفته آنها امکان کنترل دقیق تر و دقیق تر را فراهم می کند. حرکت ات روباتیک.
برای بهبود کنترل ه ، ریزگرد داتا یک واحد اندازه گیری اینرسی 9 محور را در خود جای داده است که می تواند شش درجه حرکت آزاد روچ ، شتاب خطی و چرخشی آن و عنوان قطب نمای آن را تشخیص دهد. ویژگی دیگری که دوتا و فاکنر به آن افزودند ، دمای محیط اطراف موجودات است ، زیرا آزمایشات نشان داده اند دمای محیطی که یک روچو در آن در حال حرکت است می تواند بر نحوه و مکان ات تأثیر بگذارد. Roaches ، برای رکورد بیشتر ، وقتی گرم است ، پیاده روی می کنید.
ریزگرد داتا و فاکنر ایجاد شده بخشی از "کوله پشتی" الکترونیکی کوچک است که می تواند به پشت یک سوسک محصور شود. سیم های دستگاه به لوب های آنتن ه وصل شده اند. یک گیرنده و گیرنده بلوتوث کوچک به یک اپراتور مجاور این امکان را می دهد تا حرکات روچ را از طریق تلفن همراه معمولی کنترل کند. ارسال تکانه های الکتریکی ریز به بافت عصبی در لوب آنتن راست یا چپ ات باعث می شود این ه باور کند که با مانعی روبرو شده است. یک بار کوچک به آنتن سمت چپ باعث می شود ه به سمت راست حرکت کند. به همین ترتیب ، اتهامی که به آنتن راست فرستاده می شود باعث می شود ات به سمت چپ حرکت کنند. این دوباره تعریف شده است.
در حالی که آزمایشگاه های دیگر سیستم کنترل مشابهی را توسعه داده اند ، ریزگرد UConn از این جهت متمایز است که می تواند کنترل بیشتری از عملکرد ات ، بازخورد در زمان واقعی پاسخ عصبی و عضلانی ات به محرک های مصنوعی و راه های چند کانال برای تحریک ات ارائه دهد. بافت عصبی نتیجه ، یک سیستم کنترل آگاهانه تر و دقیق تر است.
میکروکنترلر و پتانسیلومتر داخلی سیستم UConn به اپراتورها اجازه می دهد تا ولتاژ ، فرکانس و چرخه محرک های ارسال شده به ات را تغییر دهند. (یک پتانسیلومتر ، اگر تعجب می کنید ، نام مناسب یک وسیله الکترونیکی است که ولتاژ را تنظیم می کند. این چیزی است که باعث می شود سوئیچ های کم نور نور امکان پذیر باشد و به شما امکان می دهد میزان صدا را روی استریو خود تنظیم کنید.) محرکی که منجر به پاسخ قوی از سوسک در حدود 1.2V دامنه ، فرکانس 55 هرتز و 50 درصد چرخه وظیفه بود. (به هر حال ، هیچ روشی با این آزمایشات صدمه دیده است.)
نکته جالب جالب توجه محققان این بود که حرکات پرچم چپ یا راست در پاسخ به تحریک مصنوعی بعد از محرک اولیه شدت کاهش می یابد. بنابراین اگر روچ از سمت چپ بعد از اولین پالس الکترونیکی به لوب آنتن سمت راست خود چپ چپ کرد ، نوبت آن با هر پالس بعدی به آن لوب چشمگیرتر بود. محققان مطمئن نیستند که چرا این اتفاق می افتد ، اما این اطلاعات مفید است که بدانید چه کسی فرمان را انجام می دهید.
از همه مهمتر ، دوتا می گوید ، این سیستم به کاربران این امکان را می دهد تا از بازخوردهای ارسال شده از طریق سیستم بلوتوث برای تنظیم پارامترهای خاص برای تحریک لوب های آنتن ات ، استفاده کنند و این امکان را برای آنها فراهم می کند که ه را در جهت دلخواه هدایت کنند.
دوتا می گوید: "ریزگرد ما یک سیستم پیشرفته برای دستیابی به داده های زمان واقعی در عنوان و شتاب یک ات فراهم می کند ، که به ما امکان می دهد مسیر آن را خارج کنیم." "ما معتقدیم که این حلقه بسته پیشرفته ، مبتنی بر مدل ، کنترل بهتری را برای مانور دقیق فراهم می کند ، و برخی از محدودیت های فنی را که در حال حاضر ربات های میکرو رنج می برند ، غلبه می کند."
در حالی که ریزگرد جدید مطمئناً یک قدم به جلو برای فناوری ات ربات است ، دوتا تأیید می کند که تحقیقات بیشتری لازم است. شاید بتوان گفت بیوبوتهای محور ات هنوز در مرحله لاروی خود قرار ندارند. پیشرفت های مداوم در طراحی میکرو سخت افزار و سیستم های میکروکنترل می تواند منجر به نسل جدید دستگاه هایی شود که حتی بهتر عمل می کنند.
گروه بزرگی از محققان امپریال کالج لندن ، دانشگاه ادینبورگ ، دانشگاه منچستر و دانشگاه استنفورد اخیراً در یک پروژه با همکاری برنامه های محلی سازی و نقشه برداری از زمان واقعی برای روباتیک ، وسایل نقلیه خودمختار ، واقعیت مجازی (VR) همکاری کرده اند. ) و واقعیت افزوده (AR). مقاله آنها ، که در arXiv و Proceedings of IEEE منتشر شده است ، توسعه روشهایی را برای ارزیابی همزمان الگوریتم های بومی سازی و نقشه برداری همزمان (SLAM) و همچنین تعدادی ابزار جالب دیگر ارائه می دهد.
این محققان در یک ایمیل به Tech Xplore گفتند: "هدف ما این بود که محققان متخصص از بینایی رایانه ، سخت افزار و جوامع کامپایلر را برای ایجاد سیستم های آینده برای روباتیک ، VR / AR و اینترنت اشیاء (IoT) جمع کنیم." "ما می خواستیم سیستم های دید قدرتمند رایانه ای بسازیم که بتواند جهان را با بودجه توان بسیار کمی اما با دقت مطلوب درک کند ؛ ما به درک از هر متریک ژول علاقه مند هستیم."
محققان درگیر در این پروژه مهارت ها و تخصص های خود را برای جمع آوری الگوریتم ها ، معماری ها ، ابزارها و نرم افزارهای لازم برای ارائه SLAM ترکیب کردند. یافته های آنها می تواند به افرادی که در زمینه های مختلفی از SLAM استفاده می کنند ، کمک کند تا الگوریتم ها و سخت افزارهایی را انتخاب کنند و پیکربندی کنند که می توانند به سطح بهینه از عملکرد ، دقت و مصرف انرژی برسند.
محققان گفتند: "نکته مهم در پروژه ایده تحقیق بین رشته ای است: آوردن متخصصان رشته های مختلف در کنار هم می تواند یافته هایی را امکان پذیر کند که در غیر این صورت امکان پذیر نیست."
الگوریتم های SLAM روش هایی هستند که می توانند ضمن پیگیری موقعیت مکانی عامل خاص در داخل آن ، نقشه یا محیط ناشناخته را بسازند یا به روز کنند. این فناوری می تواند در تعدادی از زمینه ها کاربردهای مفیدی داشته باشد ، به عنوان مثال در ساخت وسایل نقلیه خودمختار ، روباتیک ، VR و AR.
محققان در مطالعه خود چندین ابزار از جمله سیستم های نرم افزاری کامپایلر و زمان اجرا و همچنین معماری سخت افزار و الگوریتم های دید رایانه را برای SLAM تهیه و ارزیابی کردند. به عنوان مثال ، آنها ابزارهای بنچمارک ایجاد کردند که به آنها امکان می دهد یک مجموعه داده مناسب را انتخاب کرده و از آن برای ارزیابی الگوریتم های SLAM استفاده کنند.
هدف این مقاله ایجاد خط لوله ای است که اامات بینایی کامپیوتر با قابلیت های سخت افزاری را تراز می کند. تمرکز این مقاله بر روی سه لایه است: الگوریتم ها ، کامپایلر و زمان اجرا و معماری. هدف ما ایجاد سیستمی است که به ما امکان می دهد قدرت و کارایی انرژی ، بهبود سرعت و زمان اجرا و دقت / استحکام در هر لایه و همچنین بطور جامع از طریق طراحی فضاهای اکتشافی و یادگیری ماشینها را بدست آوریم. اعتبار: سعیدی و همکاران.
به عنوان مثال ، آنها برای ارزیابی الگوریتم KinectFusion در چندین سیستم عامل سخت افزاری و SLAMBench2 برای مقایسه الگوریتم های مختلف SLAM از برنامه ای به نام SLAMBench استفاده کردند. محققان همچنین الگوریتم KinectFusion را گسترش داده اند تا بتوان از آن در الگوریتم های برنامه رباتیک و پیمایش استفاده کرد. نقشه برداری از فضای اشغال شده و آزاد در محیط.
محققان گفتند: "این پروژه واقعاً گسترده بود ، بنابراین ، یافته ها بسیار بیشمار بود." "به عنوان مثال ، ما کاربردهای عملی را نشان داده ایم که محاسبات تقریبی می توانند نقش مهمی در دستیابی به درک در هر ژول داشته باشند ، به عنوان مثال برنامه SLAMBench که برای تلفن های هوشمند تهیه شده است. محاسبات تقریبی ایده ای برای انجام یک کار محاسباتی با یک خطای قابل قبول داده شده است ، و بنابراین یک راه حل تقریبی تولید کنید. "
این پروژه با استفاده از فن آوری های جدید سنجش ، مانند آرایه های سنسور-پردازنده سنسور کانونی ، که مصرف انرژی کم و نرخ فریم بالا را کشف می کند ، مورد بررسی قرار گرفت . علاوه بر این ، این نرم افزار کاربرد برنامه های ایستا ، پویا و ترکیبی برنامه ریزی سیستم های چند هسته ای ، به ویژه برای الگوریتم KinectFusion را مورد بررسی قرار داد.
"تحقیقات ما در حال حاضر در بسیاری از زمینه ها مانند رباتیک ، VR / AR و IoT تأثیر گذاشته است ، جایی که ماشین ها همیشه فعال هستند و قادر به برقراری ارتباط و انجام وظایف خود با دقت معقول ، بدون وقفه ، در مصرف برق بسیار کمی هستند ، "محققان گفتند.
این پروژه جامع منجر به یافته های مهم و توسعه ابزارهای جدیدی شده است که می تواند اجرای SLAM را در رباتیک ، VR ، AR و وسایل نقلیه خودمختار تسهیل کند .
این مطالعه همچنین در زمینه طراحی سخت افزار تعدادی از مشارکت ها را ایجاد کرده است ، به عنوان مثال ، توسعه ابزارهای پروفایل برای یافتن و ارزیابی تنگناهای عملکرد در برنامه های بومی و مدیریت شده. محققان یک گردش کار کامل برای ایجاد سخت افزار برای برنامه های دید در رایانه ارائه دادند که می تواند برای سیستم عامل های آینده کاربرد داشته باشد.
محققان گفتند: "ما هم اکنون از یافته های خود برای ساختن یک سیستم یکپارچه برای روباتیک و VR / AR استفاده خواهیم کرد ." "به عنوان مثال ، دکتر لوئیجی ناردی در دانشگاه استنفورد با استفاده از مفاهیم مشابه در شبکه های عصبی عمیق (DNN) ، تحقیقات خود را ادامه می دهد ، یعنی بهینه سازی سخت افزار و نرم افزار برای اجرای کارآمد DNN ، در حالی که دکتر سجاد سعیدی در کالج امپریال لندن به دنبال جایگزین است. فن آوری های آنالوگ مانند آرایه سنسور پردازنده سنسور (FPSP) که به DNN اجازه می دهد تا با نرخ بسیار زیاد فریم ، سفارش 1000 FPS ، برای دستگاه های همیشه کار و اتومبیل های مستقل کار کند. "
وای نه. هرگز دلخوش خواندن سرقت های ورود به هر شکلی نشوید و جای تعجب نیست که یک امنیت شخصی هنگام کشف مشکلی با Chrome خبرساز شد. بار دیگر ، قیمت راحتی به یک مبحث تبدیل می شود ، این بار در پیشنهاد صرفه جویی در اعتبار Wi-Fi و ورود مجدد آنها به صورت خودکار برای راحتی شما.
در اوایل ماه جاری یک موضوع مرورگر Chrome شرح داده شد که می توانست درهای را برای هکرها باز کند. خبر خوب این است که مشکل امنیتی در مرورگر محبوب برطرف شده است. Google این آسیب پذیری را برطرف کرد.
این مشکل شامل اعتبارنامه هایی است که به طور خودکار در صفحات HTTP بدون رمزگذاری شده پر شده اند. SureCloud اخبار بعدی را ارائه داد مبنی بر اینکه آخرین به روزرسانی Chrome (تست شده در برابر نسخه 69.0.3497.81) به این مسئله پرداخته است. آخرین نسخه از مرورگر کروم ، نسخه 69 ، منتشر شده است و این پچ را به همراه دارد.
گزارشگر امنیتی ZDNet ، كاتالین سیمپانو گفت كه این " مسئله طراحی " بوده است كه مهاجمان می توانند از آنها برای سرقت ورود به سیستم WiFi ، چه از خانه و چه از طریق شبكه های شركت سوءاستفاده كنند.
BetaNews به نقل از لوک پاتر ، مدیر عملی امنیت سایبری SureCloud. وی گفت: "همیشه امنیت و راحتی برقرار است ، اما تحقیقات ما به وضوح نشان می دهد که این ویژگی در مرورگرهای وب برای ذخیره اطلاعات ورود به سیستم ، میلیون ها شبکه خانگی و تجاری را برای حمله به آنجا باز گذاشته است ، اگر ظاهراً این شبکه ها با یک امنیت برقرار شده اند. رمز عبور قوی."
چیمپانو گفت ، الیوت تامپسون ، یک محقق با شرکت امنیت سایبری انگلیس SureCloud ، تکنیکی را برای سوء استفاده از طرح طراحی جمع کرده بود. "Wi-Jacking" تامپسون با Chrome در ویندوز کار کرد.
Thompson's پست SureCloud در تاریخ 4 سپتامبر گفت: "در طی یک مشغله اخیر ، تعامل جالبی از رفتار مرورگر و ضعف قابل قبول در تقریباً در هر روتر خانگی مشاهده کردیم که می تواند برای دستیابی به تعداد زیادی از شبکه های WiFi استفاده شود."
رفتار مرورگر مربوط به اعتبارنامه ذخیره شده است. اعتبارنامه های ذخیره شده در یک مرورگر ، گره خورده به یک URL ، هنگام مشاهده مجدد به طور خودکار در همان قسمت ها قرار می گیرند. ضعف روتر در استفاده از اتصالات HTTP بدون رمز به رابط های مدیریت بود. اما تامپسون گفت ، راه حلی برای این مسیر برای سرقت اعتبار وجود دارد و وی در پست 4 سپتامبر در مورد این موضوع بحث کرد.
"اساساً این فقط یک نقص در نحوه به اشتراک گذاشتن و اعتماد بین ریشه ها در شبکه ها است. در مورد روترهای خانگی ، آنها به اندازه کافی قابل پیش بینی هستند تا یک هدف عملی باشند. ساده ترین راه حل برای این است که مرورگرها از پرهیز خودکار از زمینه های ورودی در ناامن خودداری کنند. صفحات HTTP. قابل درک است که این امر قابلیت استفاده را کاهش می دهد ، اما مانع سرقت اعتبار را تا حد زیادی افزایش می دهد. "
در آن زمان ، تامپسون توصیه کرد " گذرواژه‌های ذخیره شده مرورگر خود را پاک کنید و اعتبار صفحات ناامن HTTP را ذخیره نکنید."
چمپانو گفت: "تامپسون می گوید كه او این مسئله را در مارس ، امسال به گوگل ، مایکروسافت و ایسوس گزارش داد." "Google با اجازه دادن Chrome به پر کردن خودکار گذرواژه ها در زمینه های HTTP ، گزارش خود را تنظیم کرد."
علاوه بر Chrome ، مرورگرهای دیگر آسیب پذیر هستند؟ تامپسون در تاریخ 4 سپتامبر گفت: "Firefox ، IE / Edge و Safari نیاز به تعامل قابل توجهی با کاربر دارند ، بنابراین حمله کار می کند اما بیشتر مبتنی بر مهندسی اجتماعی است."
توصیه معمول اعمال می شود: به روز کنید. Cimpanu نوشت: "به روزرسانی در Chrome 69.0.3497.81 یا بالاتر ، کاربران باید از حملات Wi-Jacking در امان باشند."
تامپسون در مورد پرداختن به این مسئله در مورد Google ، گفت: "این یک پاسخ مثبت از طرف گوگل است و دیدن آن بسیار عالی است."
گرده افشان های طبیعی ، به ویژه زنبورهای عسل ، با سرعت بی سابقه ای از بین می روند. این خطرات جدی برای کشاورزی ، اقتصاد و حفظ انسان و حیوان ایجاد می کند. زنبورها گرده افشان های اصلی انواع زیادی از محصولات زراعی هستند ، بنابراین ناپدید شدن آنها می تواند کار تولیدکنندگان مواد غذایی را به خطر اندازد و درنهایت میزان مواد غذایی موجود در بازار را کاهش دهد.
محققان دانشگاه ویرجینیا غربی (WVU) به تازگی یک روبات مستقل با الهام از زنبورها تولید کرده اند که می تواند گیاهان برمبل را در یک محیط گلخانه ای گرده افشانی کند. BrambleBee ، در مقاله ای که از قبل در arXiv منتشر شده است ، از تکنیک های پیشرفته محلی سازی و نقشه برداری ، و همچنین سایر ابزارهایی که درک بصری ، برنامه ریزی مسیر ، کنترل حرکت و دستکاری استفاده می کنند ، استفاده می کند.
یو گو ، یکی از محققانی که این ربات را تولید کرده ، به TechXplore گفت: "یکی از مهمترین مسائل مربوط به تولید فعلی کشاورزی ، گرده افشانی محصولات زراعی است ." "سی و پنج درصد از حجم تولید محصولات زراعی جهانی ، تقریباً 577 میلیارد دلار در سال ، به خدمات گرده افشان ها متکی است. با این حال ، کاهش اخیر زنبورهای عسل (یعنی اختلال فروپاشی کلونی) به شدت تهدید کننده بهره وری است. از پایداری اقتصادی و غذایی. از منظر ، نیاز فوری به دنبال سیستم های گرده افشانی جایگزین است. "
برای رفع این مشکل ، گو و همکارانش در یک محیط گلخانه یک ربات گرده افشانی دقیق نمونه اولیه را برای گرده افشانی گیاهان برمبل ، توت سیاه و تمشک طراحی کرده اند. پروژه آنها توسط مؤسسه ملی غذا و کشاورزی (NIFA) ، آژانس وزارت کشاورزی ایالات متحده (USDA) ، تحت ابتکار ملی رباتیک تأمین می شود.
BrambleBee ، ربات گرده افشانی دقیق. اعتبار: Gu et al.
Gu توضیح داد: "BrambleBee ابتدا با تهیه" گذرنامه بازرسی "از گلخانه ، اطلاعات به روز در مورد مکان های گل خوشه ای و آمادگی گرده افشانی را بدست می آورد. "در حالی که BrambleBee در اطراف حرکت می کند ، خوشه های گل در نزدیکی با استفاده از دوربین روی صفحه شناسایی می شوند. سپس مکان های خوشه های شناسایی شده در نقشه ای از ردیف های گیاه ثبت می شوند."
پس از اتمام این مرحله از بازرسی اولیه ، برامبلی تصمیم می گیرد که کجا به سمت گل های گرده افشانی حرکت کند. با متعادل کردن تعداد خوشه های گل قابل دسترس آماده برای گرده افشانی و به حداقل رساندن مسافت فاصله ، این تصمیم را می گیرد. سپس این روبات مسیرهایی را برای رسیدن به کارآمد به این مکان ها اجتناب می کند تا از هرگونه موانعی در راه جلوگیری کند.
گو گفت: "هنگامی که در محل گرده افشانی پارک شده بود ، گیاه را اسکن می کند و نقشه مفصلی را تهیه می کند." "سپس از دستگیرنده برای دستیابی به هر گل که به گرده افشانی نیاز دارد ، استفاده می کند."
محققان در ساخت ربات گرده افشان برنج خود ، تا حدودی از محیط زیست و رفتار زنبورها بویژه زنبورهای میسنی ، كه گرده ها را برای فرزندان خود جمع می كنند ، الهام گرفتند. به عنوان مثال ، دقیقاً مانند زنبورها ، BrambleBee ابتدا گلها را پیدا می کند و سپس مکان آنها را پیگیری می کند ، با استفاده از این اطلاعات برای برنامه ریزی بهترین مسیر برای رسیدن به آنها.
علاوه بر این ، مکانیسم گرده افشانی BrambleBee ، که در انتهای بازوی روباتیک خود متصل است ، با روشی مشابه زنبورها عمل می کند. این روبات با استفاده از حرکات دقیق ، این مکانیزم را مانور می دهد و گرده ها را در داخل پیستون ها بدون آسیب رساندن به گل ها توزیع می کند. گو گفت: "این پروژه امکان توسعه یك سیستم پیچیده مستقل رباتیک را فراهم می كند كه می تواند در یك بخش كشاورزی مشترك كار كند. "بومی سازی دقیق ، ارزیابی و دستکاری قطعات گیاهان کوچک و ظریف ، قابلیتهای اساسی را برای فعال کردن انواع دیگر کاربردهای کشاورزی دقیق مانند آبیاری خودکار ، کوددهی و برداشت ، نظارت بر خسارتهای گیاهی و همچنین کنترل علفهای هرز و آفات فراهم می کند."
سیستم گرده افشانی رباتیک دقیق ایجاد شده در WVU اولین نوع از این نوع است. در آینده ، این می تواند به تولید کنندگان برای حل چالش های گرده افشانی کوتاه مدت کمک کند و حتی می تواند برای توسعه ابزار جدید کشاورزی برای برداشت ، هرس و برداشت میوه سازگار باشد.
بزرگترین کشتی بادی دریایی جهان رسما افتتاح شد. پروژه فرماندهی وضعیت Numero Uno ، Walney Extension است. مراسم تحلیف رسمی به عنوان ششم سپتامبر مشخص شد و این بدان معنی است که والنی فراتر از Array London به عنوان بزرگترین مزرعه بادی دریایی جهان پیشی می گیرد.
چه اندازه آمارها می گویند این مزرعه که در دریای ایرلند در ساحل جزیره والنی در کامبریا واقع شده است ، مساحتی در حدود 145 کیلومتر مربع (55 مایل مربع) دارد. ناظران پروژه در حال گفتگو برای برق تقریباً 600000 خانه در انگلستان هستند. این امر به ویژه در حال ساخت است که به موقع و بودجه ساخته شده است.
همچنین به عنوان " پروژه 659 مگاواتی " توصیف می شود. شرکت دانمارکی Orsted ، PKA و PFA نام پشت این پروژه هستند.
طبق گزارش رویترز ، "والنی فرمت یک پروژه مالکیت مشترک بین اورستد (50٪) و دو صندوق بازنشستگی دانمارکی است - PFA و PKA (هر یک 25٪)."
گزارشات مربوط به نصب 87 توربین بادی از دو تولید کننده مختلف است. مهندس خوانندگان از طریق کسانی که در پشت 87 توربین -40 MHI وستاس 8MW راه می رفت توربین و 47 توربین زیمنس Gamesa از 7MW، با تیغه های تولید در هال و جزیره موجود زنده.
توربین های بزرگ و قدرتمند برجسته پروژه هستند. گاردین گفت: "این پروژه نشانه ای از پیشرفت چشمگیر فن آوری بادی در پنج سال گذشته از زمان اتمام بزرگترین قبلی یعنی Array لندن است. بادگیر جدید از کمتر از نیمی از تعداد توربین ها استفاده می کند اما قدرتمندتر است."
آدام Vaughan در گاردین به نقل از متیو رایت ، مدیرعامل شرکت انرژی دانمارکی Ørsted ، که گفت ، "- توربین های بزرگتر ، با موقعیت های کمتر و اندکی بیشتر - واقعاً شکل پروژه ها پیش می رود."
زندگی دهانه؟ پاور فناوری گفت: کارخانه بادی تقریباً 25 سال عمر خواهد کرد.
ویدئوی تبلیغاتی Walney Extension ، انگلیس را به عنوان "رهبر جهانی باد در دریایی" ذکر کرد. یک گزارش رویترز به طور مشابه می گوید: "انگلیس بزرگترین بازار باد دریایی در جهان است و میزبان 36 درصد از ظرفیت باد نصب شده در سطح جهان است. داده های شورای جهانی انرژی باد نشان می دهد."
در حقیقت ، از شورای جهانی انرژی باد ، که اتحادیه تجارت بین المللی برای صنعت انرژی بادی است ، رتبه های جهانی فراساحلی به این ترتیب بود:
"در پایان سال 2017 ، تقریباً 84٪ (15،780 مگاوات) از کل تاسیسات دریایی در آبهای ساحل یازده کشور اروپایی قرار گرفتند. 16٪ باقی مانده تا حد زیادی در چین واقع شده است ، به دنبال آن ویتنام ، ژاپن ، کره جنوبی ، و ایالات متحده و تایوان.
"انگلیس بزرگترین بازار باد فراساحلی در جهان است و تقریباً بیش از 36٪ ظرفیت نصب شده را به خود اختصاص داده است ، پس از آن آلمان در رتبه دوم با 28.5٪ قرار دارد. چین در رده بندی جهانی فراساحلی با کمی کمتر از 15٪ در رده سوم قرار دارد. 6.8٪ ، هلند 5.9٪ ، بلژیک 4.7٪ و سوئد 1.1٪. بازارهای دیگر از جمله ویتنام ، فنلاند ، ژاپن ، کره جنوبی ، ایالات متحده ، ایرلند ، تایوان ، اسپانیا ، نروژ و فرانسه تعادل بازار را تشکیل می دهند. "
متیو رایت ، مدیرعامل Orsted UK ، در مصاحبه با رویترز در گفتگو با رویترز ، دلایل خود را بیان كرد كه چرا انگلستان برای موفقیت در خارج از كشور برجسته است. وی گفت که این ترکیبی از " سرعت باد شدید و آب های کم عمق در دریای شمال و دریای ایرلند و همچنین ادامه حمایت دولت است."
این نشانگر یازدهمین مزرعه بادی دریایی Orsted در انگلیس است.
خبرنامه ساز رایانه های کوانتومی Rigetti Computing خدمات Quantum Cloud را اعلام کرد و به همراه آن ، یک میلیون دلار جایزه مسابقه برای نمایشی قطعی از مزیت کوانتومی دریافت کرد.
Takers کسانی خواهند بود که به فکر کشف پتانسیل های ماشین های کوانتومی از طریق ابر هستند. سکوی ریگتی همچنین در زمینه قدم گذاشتن به عرصه "ایجاد ابر" مورد توجه قرار گرفت. فوربس گفت ، "رقیب مدیر عامل چاد ریگتی در زمینه ایجاد ابر همراه با یک تكنسین بزرگ فناوری وجود دارد: آنچه كه این استارتاپ می گوید اولین سرویس ابری است كه از محاسبات كوانتومی استفاده می شود ."
در ضمن ، این جایزه به نفر اول یا تیمی که از QCS استفاده می کند خواهد رسید تا نشان دهد که یک ماشین کوانتومی قادر است آنچه را که "مزیت کوانتومی" نامیده می شود ، نشان دهد. گفته می شود جزئیات مسابقه در پایان ماه آینده دنبال می شود.
ریگتی در وبلاگ خود مفهوم مزیت کوانتومی را بیان کرد. "این همان نقطه انفجاری است که رایانه های کوانتومی برای اولین بار شروع به حل مشکلات عملی سریعتر ، بهتر و ارزانتر از آنچه در غیر این صورت ممکن است می کنند." ریگتی معتقد است که این "مزیت" کوانتومی در بازارها و حوزه های جدید حاصل خواهد شد ، "تغییر روش حل مشکلات در صنایع."
MIT Technology Review به آنچه محاسبات کوانتومی را از محاسبات سنتی جدا می کند ، رسید.
گفتنی است ، اما ماشین های سنتی از بیت های دیجیتالی استاندارد استفاده می کنند که می تواند 1 یا 0 باشد.
مارتین گی ، رئیس دفتر سانفرانسیسكو گفت: "اضافه كردن فقط چند كابیت اضافی به یك دستگاه و پیوند دادن آنها از طریق پدیده ای به نام" گرفتاری "، باعث ایجاد جهش های نمایی در قدرت محاسباتی می شود .
گی همچنین روش سنتی بدست آوردن نتایج آزمایش را با رویکرد جدید مقایسه کرد.
"برای اجرای چنین آزمایشاتی ، محققان معمولاً رایانه های کلاسیک خود را با الگوریتم های کوانتومی ترکیبی برنامه ریزی می کنند که سپس از رابط های برنامه نویسی برنامه یا API استفاده می کنند تا با استفاده از ماشینهای کوانتومی موجود در ابر ، برای بیت های خاص محاسبه استفاده کنند." نتایج به ماشینهای سنتی ارسال می شود.
رایانه های کوانتومی قول می دهند محاسبات را بسیار فراتر از هر ابر رایانه معمولی انجام دهند ، اما QCS دقیقا چیست؟ این وبلاگ گفت: این یک بستر رایانش ابری است که پردازنده های کوانتومی با یک زیرساخت محاسبات کلاسیک در آن ادغام می شوند.
گی گفت: QCS با داشتن یک مرکز داده که هم کامپیوترهای کوانتومی دارد و هم کلاسیک های موجود در یک سیستم بهینه سازی شده برای اجرای کل الگوریتم های ترکیبی ، مشکل را حل می کند.
Rigetti Computing یک راه اندازی پنج ساله است که توسط Forbes توضیح داده شده است . MIT Technology Review گفت این شرکت اخیراً از "قدرتمندترین پردازنده کوانتومی جهان ، یک مدل 128 کیوبیت که در رده قبلی رکورد قبلی ، تراشه گوگل بریستلون 72 کوبیت گوگل" است رونمایی کرده است.
"در اوت ، ما اعلام کرد که ما در حال ایجاد 128 کیوبیت کامپیوترهای کوانتومی با نرخ خطای پایین مورد نیاز برای دستیابی به مزیت این سیستم ها در مقیاس پذیر 16، 32، و 128 کیوبیت آسپن ما بر اساس کوانتومی پردازنده،" نوشت: Rigetti.
بعد چی؟ وی گفت: "ما در هفته های آینده به خدمات اولیه Quantum Cloud دسترسی خواهیم داشت." "شما می توانید امروز برای رزرو QMI در rigetti.com ثبت نام کنید."
انسان ها مدت هاست که استادان مهارت و مهارت هستند ، مهارتی که تا حد زیادی می تواند به کمک چشم ما بیاورد. در همین حال ، روبات ها هنوز هم دست به دست می شوند. مطمئناً پیشرفت هایی صورت گرفته است: چندین دهه است که روبات ها در محیط های کنترل شده مانند خطوط مونتاژ قادر به بارگیری مجدد همان شیء هستند.
اخیراً ، پیشرفت در دید رایانه ای باعث شده است تا ربات ها بتوانند تمایزهای اساسی بین اشیاء قائل شوند ، اما حتی در این صورت ، آنها شکل های اشیاء را نیز نمی فهمند ، بنابراین پس از انتخاب سریع ، کارهای کمی وجود دارد.
در مقاله جدید ، محققان آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) می گویند که آنها یک پیشرفت اساسی در این زمینه از کار ایجاد کرده اند: سیستمی که به روبات ها اجازه می دهد اشیاء تصادفی را مورد بازرسی قرار دهند و بصری آنها را به اندازه کافی برای دستیابی به موارد خاص درک کنند. وظایف بدون اینکه قبلاً آنها را دیده باشید.
این سیستم با نام "Dense Object Nets" (DON) ، به اشیاء به عنوان مجموعه نقاط اشاره می کند که به عنوان "نقشه راه بصری" از انواع مختلف استفاده می شود. این رویکرد به روبات ها اجازه می دهد تا موارد را بهتر درک کرده و از آن دستکاری کنند و از همه مهمتر ، به آنها امکان می دهد حتی یک چیز خاص را در میان یک درهم و برهمی از اشیاء مشابه انتخاب کنند - یک مهارت ارزشمند برای انواع ماشین هایی که شرکت هایی مانند آمازون و والمارت در انبارهای خود استفاده می کنند.
به عنوان مثال ، ممکن است شخصی از DON برای گرفتن ربات استفاده کند تا بتواند روی یک نقطه خاص روی یک جسم گیر بیفتد - مثلاً ، زبان کفش. از آن ، می تواند به یک کفش که قبلاً ندیده است نگاه کند ، و با موفقیت زبان خود را بگیرد.
دکتری می گوید: "بسیاری از رویکردهای دستکاری نمی توانند قسمتهای خاصی از یک شی را در بسیاری از جهت گیریهایی که ممکن است با آن روبرو شوند ، شناسایی کنند." دانشجوی لوکاس مانوولی ، که مقاله جدیدی راجع به سیستم با نویسنده سرب و دکترای دیگر خود نوشت. دانش آموز پیت فلورانس ، در کنار استاد MIT Russ Tedrake. "به عنوان مثال ، الگوریتم های موجود قادر به گرفتن لیوان توسط دسته خود نخواهند بود ، به خصوص اگر لیوان می تواند در جهت های مختلف باشد ، مانند قائم ، یا در سمت آن."
این تیم برنامه های بالقوه را نه تنها در تنظیمات ساخت بلکه خانه ها نیز مشاهده می کند. تصور کنید که از سیستم خانه ای مرتب عکس بگیرید ، و اجازه دهید آن را در حین کار تمیز کنید ، یا از تصویر ظروف استفاده کنید تا سیستم در حین تعطیلات صفحات شما را از بین ببرد.
نکته قابل توجه این است که هیچکدام از داده ها در واقع توسط انسان برچسب گذاری نشده اند. بلکه سیستم "تحت نظارت خود" است ، بنابراین نیازی به حاشیه نویسی انسان نیست.
درک آن آسان است
دو رویکرد رایج برای درک ربات شامل یادگیری خاص وظیفه یا ایجاد یک الگوریتم درک عمومی است. این تکنیک ها هر دو موانع دارند: روش های اختصاصی کار برای کلی دشوار است ، و درک عمومی به اندازه کافی خاص برای مقابله با تفاوت های ظریف کارهای خاص ، مانند قرار دادن اشیاء در نقاط خاص ، به دست نمی آید.
با این حال ، سیستم DON ، در اصل ، یک سری مختصات را بر روی یک شیء معین ایجاد می کند ، که به عنوان نوعی "نقشه راه بصری" از اشیاء خدمت می کنند ، تا به ربات درک بهتری از آنچه برای درک نیاز دارد ، و از کجا می دهد.
این تیم سیستم را آموزش داده است تا به اشیاء به عنوان یک سری از نکاتی که یک سیستم مختصات بزرگتر را تشکیل می دهند نگاه کند. سپس می تواند نقاط مختلفی را با هم به تصویر بکشد تا شکل 3 بعدی یک شیء را تجسم کند ، شبیه به نحوه دوخت عکس های پانوراما از چندین عکس. پس از آموزش ، اگر شخصی نقطه ای را بر روی یک شی مشخص کند ، روبات می تواند از آن شی عکس بگیرد و نقاط را شناسایی و مطابقت دهد تا بتواند در آن نقطه مشخصی آن شی را برداشته باشد.
این متفاوت از سیستم هایی مانند DexNet UC-Berkeley است ، که می تواند موارد مختلفی را درک کند ، اما نمی تواند یک درخواست خاص را برآورده کند. یک کودک ماهه را تصور کنید ، که نمی فهمد با کدام اسباب بازی می خواهید بازی کند اما هنوز هم می تواند تعداد زیادی وسایل را بگیرد ، در مقابل یک بچه چهار ساله ای که می تواند پاسخ دهد "بروید کامیون خود را بگیرید تا انتهای قرمز آی تی."
در یکی از آزمایشات انجام شده روی یک اسباب بازی نرم و نرم ، یک بازوی رباتیک Kuka که توسط DON طراحی شده است ، می تواند گوش راست این اسباب بازی را از طیف وسیعی از تنظیمات مختلف درک کند. این نشان داد كه از جمله موارد دیگر ، این سیستم توانایی تمایز چپ از راست بر روی اشیاء متقارن را دارد.
DON هنگام آزمایش روی سطل کلاه های بیس بال مختلف ، DON می تواند با وجود کلاه هایی که طرح های بسیار مشابه دارند- یک کلاه هدف خاص را انتخاب کند- و قبلاً هرگز از داده های این کلاه ها در داده های آموزش دیدن نکرده باشد.
مانوئلی می گوید: "در کارخانه ها ربات ها برای کار با اطمینان به فیدرهای پیچیده نیاز دارند." "اما سیستمی مانند این که می تواند جهت گیری اشیا را درک کند ، فقط می تواند از یک عکس استفاده کند و قادر به درک و تنظیم شیء بر این اساس باشد."