ربات می تواند پس از بازرسی از آن ، هر شیئی را انتخاب کند

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."

http://opensocialfactory.com/story4694843/قیمت-اکچویتور