Filter by دسته‌ها
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 یادگیری خودجوش و هوشمند ربات‌ها از محیط

یادگیری خودجوش و هوشمند ربات‌ها از محیط

گروه هوش مصنوعی متا دستاورد جدید خود، GenAug را معرفی کرد. سیستم جدیدی که از مدل‌های TextToImage استفاده می‌کند، تا ربات‌ها خودجوش و هوشمندانه از محیط اطراف یاد بگیرند و بتوانند با هرآن‌چه در محیط هست کار کنند. در این سیستم ربات‌ها می‌توانند یافته‌ها و دلیل رفتارشان از یک صحنه را با پیچیدگی‌های متفاوت به هم انتقال دهند.

تکنیک‌های یادگیری ماشینی در ربات‌ها توانایی تعمیم در طیف گسترده‌ای از وظایف، تنظیمات و اشیاء را دارند. متأسفانه، این استراتژی‌ها مستلزم انتقال مجموعه داده‌های گسترده و متنوعی هستند که به ‌دست‌ آوردن آن‌ها در زمینه‌های رباتیک عملی دشوار و پرهزینه است. تعمیم‌پذیری در یادگیری رباتیک مستلزم دسترسی به اطلاعات قبلی یا خارج از محیط در نزدیکی ربات است. در همین ‌حال افزایش داده‌ها ابزار مفیدی برای افزایش تعمیم مدل هستند.

ربات هوشمند

بیشتر روش‌ها در فضای بصری سطح پایین عمل می‌کنند و داده‌ها را به روش‌هایی مانند لرزش رنگ، تاری گاوسی و برش‌دار تغییر می‌دهند. با این‌حال، آن‌ها هنوز قادر به پرداختن به تمایزات معناییِ قابل‌توجه در تصویر، مانند عناصر منحرف‌کننده، پس‌زمینه‌های مختلف و یا ظاهر اشیاء گوناگون نیستند.

GenAug یک چارچوب تقویت داده‌های معنایی است که توسط دانشگاه واشنگتن و گروه هوش مصنوعی متا ایجادشده که از مدل‌های «تولید متن به تصویرِ» ازپیش‌آموزش‌دیده برای تسهیل یادگیری مبتنی بر تقلید در ربات‌های کنشگر استفاده می‌کند. مدل‌های مولدِ ازپیش‌آموزش‌دیده به مجموعه داده‌های بسیار بزرگ‌تر و متنوع‌تری نسبت به داده‌های خود ربات دسترسی دارند. این پژوهش از این مدل‌های مولد برای تکمیل داده‌ها در آموزش روبات‌های واقعی در جهان واقعی استفاده می‌کند.

این پژوهش مبتنی بر این باور شهودی است که علی‌رغم تفاوت‌ها در صحنه، پس‌زمینه و ظاهر آیتم، روش‌های انجام «یک کار» در «یک محیط» به‌طورکلی باید به «یک کار» در «موقعیت‌های مختلف» قابل‌انتقال باشند.

یک مدل مولد می‌تواند موقعیت‌های بصری بسیار متفاوتی را ایجاد کند، با پس‌زمینه‌ها و آیتم‌های مختلفی که تحت آن‌ها، رفتارهای یکسان همچنان معتبر خواهند بود. همزمان، مقدار محدودی از تجربه‌های قبلی ربات، به ایجاد رفتار موردنیاز کمک می‌کند. همچنین، این مدل‌های مولد بر روی داده‌های واقعی نیز آموزش داده می‌شوند؛ بنابراین مناظر ایجادشده، واقعی به ‌نظر می‌رسند و متفاوت هستند.

یادگیری خودجوش و هوشمند ربات‌ها

با انجام این‌کار، مقدار زیادی محتوا تولید می‌شود که ممکن است، آسان‌تر و مقرون‌به‌صرفه‌تر از دموهای محدود قبلی باشند. این مقدار محتوا به یک عامل یادگیری، امکان دسترسی به قابلیت‌های بسیار متنوع‌تری نسبت به «داده‌های نمایشی صرفاً روی ربات» را می‌دهد.

با توجه به مجموعه داده‌هایی از نمونه تصویر‌های ارائه‌شده در یک سیستم روباتی واقعی GenAug می‌تواند تصاویر RGBD «افزوده‌شده» را برای محیط‌های کاملاً جدید و واقع‌گرایانه تولید کند، که واقعیت بصری و پیچیدگی سناریوهایی را که یک ربات ممکن است در دنیای واقعی تجربه کند را نشان می‌دهد.

به‌طور خاص، برای روبات‌هایی که کارهای گوناگون رومیزی انجام می‌دهند، GenAug از اعلان‌های زبانی، همراه با یک مدل تولیدی برای تغییر بافت‌ها و شکل‌های آیتم‌ها و افزودن عناصر حواس‌پرتی جدید و صحنه‌های پس‌زمینه‌ای که از نظر فیزیکی با صحنه اصلی منسجم هستند، استفاده می‌کند.

پژوهشگران نشان می‌دهند که در این روش با قابلیت‌های تعمیم روش‌های یادگیری تقلیدی، داده‌های معنایی تقویت‌شده بسیار بهبود می‌یابند، حتی اگر این مجموعه فقط شامل 10 نسخه نمایشی در دنیای واقعی باشد که در یک مکان ساده و منفرد جمع‌آوری شده‌اند.

بر اساس یافته‌ها، GenAug می‌تواند آموزش ربات را تا 40 درصد در مقایسه با روش‌های سنتی افزایش دهد و به ربات اجازه می‌دهد در مکان‌های گوناگون و با وسایلی که قبلاً هرگز ندیده است، خودبه‌خود آموزش ببیند.

بنر اخبار هوش مصنوعی

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
لطفاً برای تکمیل این فرم، جاوا اسکریپت را در مرورگر خود فعال کنید.