机器学习技术与机器人的连接涉及多个方面。感知方面,基于机器学习或者深度学习可以方便地对机器人视觉进行处理,无论是检测、识别、分类,还是别的任务,这就像机器人的眼睛。在决策方面,通过学习的方式可以自然、快速地学习人类策略,也称为示教编程或者示教学习,这就好比是机器人的大脑。在控制方面,结合人工智能方法的智能控制,解决传统非线性控制器设计困难的问题。此外,还有强化学习的方法,将决策和控制一起考虑解决。
本文例举一个Sawyer机器人在深度学习方面的研究案例,以供了解。
加州伯克利大学助理教授借助Sawyer开展机器人人工智能和学习研究
Sergey Levine,Assistant Professor,US Berkeley,EECS:我们最感兴趣的是学习如何使机器人能够在非常复杂和非结构化的环境中智能地行动。机器人擅长一遍又一遍地做同样的事情,这是近几十年来机器人技术的发展历程。一旦涉及到有各种不可预测的事情的非结构化环境,如您的家,办公室或医院,我认为学习是使机器人进入非结构化环境的关键组成部分。因为机器人能从经验中学到东西,从而获得某种常识,并在未曾预料到的事情发生时通过学习能力明智地采取行动。我们会有一个设置,例如,我们已经收集了很多数据,也许是机器人捡起数千个物体,或者挤压数千个个物体,机器人能使用这些已获取的数据去行动。为了使这项技术真正强大起来,能在任何现实环境中实现智能行为,我们需要机器人能够根据自身的经验不断改进。
Frederik ebert,PHD student,UC Berkeley:我们在这里看到的是视觉模型的预测控制。模型建立的思路:一个机器人通过推动物体与环境自动交互,从而收集数据,据此训练一个视频预测模型,该模型可以根据动作序列预测未来的图像。
Sergey Levine:这就是我们需要实现的监督模式:在不需要人工干预的情况下,机器人可以自主的完成任务。
Chelsea Finn,PHD student,UC Berkeley:因此,这项研究的目标是通过元学习(Meta Learning)或学会学习(Learning to Learn),让机器人能够从视频中学习人类如何执行任务。这是一个演示,现在让我们把一个苹果给机器人,我们把桌面上不同颜色的碗打乱,然后机器人现在需要尝试学习视频中人如何完成任务(人把苹果放到蓝色碗中),并找到自己完成任务的方法。我们可以看到机器人已经确定任务是把苹果放入蓝色碗中并且正将物体放到蓝色碗中。
Sergey Levine:这是一种更直观的为机器人指定任务的演示模式。我认为对于不是机器人行业从业者的普通人而言,我们想做一些不仅具有商业意义,还有助于改善人们生活的事情。从长远来看,从真实的生活问题出发,可确保研究正确的科学问题。我们需要融入现实环境,才能创建智能化的机器人系统,同时规避一些复杂的社会问题产生。如果我们在视频游戏世界中做各种事情,在模拟世界中做即时事情,我们可能解决这些模拟世界的问题做得非常出色,但不一定对现实世界的智能化产生重大影响。
更多机器学习方面的案例可点击瑞森可机器人“科研教育”专栏
*我们致力于:
让科研充满想象,让每个学生都能热爱机器人技术
让制造充满乐趣,让每个人都能成为机器人应用专家
我们正努力让机器人成为人类最亲密的合作伙伴。*