摘要:根据密歇根大学的研究,机器人可以通过学习房屋周围不同物体之间的关系来学习如何更快地找到事物。在本文的一个示例中,一种新模型为机器人提供了视觉搜索策略,可以指导机器人在已经看到冰箱的情况下寻找附近的咖啡壶。
这项工作由Chad Jenkins教授和CSE博士领导。学生Zeng Zeng在2020年机器人技术与自动化国际会议(ICRA)上被授予认知机器人技术最佳论文奖。
机器人专家的共同目标是使机器具有在现实环境中导航的能力,例如,我们所生活的无序,不完善的家庭。这些环境可能是混乱的,没有两个完全相同……
但是房屋并没有完全混乱。我们围绕不同类型的活动组织空间,通常将某些组的项目存储或安装在彼此附近。厨房通常装有我们的烤箱,冰箱,微波炉和其他小型烹饪用具;卧室将有我们的梳妆台,床和床头柜;等等。
Zeng和Jenkins提出了一种利用这些常见空间关系的方法。他们的“ SLiM”(语义链接图)模型将机器人内存中的某些“地标对象”与其他相关对象以及有关通常如何在空间上定位的数据相关联。
他们写道:“当被问到可以在哪里找到目标物体时,人类能够给出相对于其他物体的空间关系所表示的假设位置。” “机器人应该能够对物体的位置做出类似的推理。”
SLiM会考虑对象位置的不确定性。
“以前的作品假定地标物体是静态的,因为它们大多保留在上次观察到的位置。” 为了克服这一限制,研究人员使用了一种因子图(一种表示概率分布的特殊图)来概率地建模不同对象之间的关系。
点评:这也能被评为最佳论文,我都不知道这些专家们在干什么!煮饭的锅大概率会在厨房、会和煤气炉在一起,这么简单的道理,好像发现了多么了不起的伟大真理,难道专家们都是些傻子吗?
好吧,专家们总算有点长进了,也算是人工智能界的幸事,不幸中的万幸……
人之所以有智能,最重要、最基本的一点就是,人具有常识(此话都说过一万遍了),如果连常识都没有,还谈什么高级智能?锅会在厨房,这就是常识,也就是锅和厨房是高度相关的,即最基本的常识就是事物之间的关系。人工智能懂得了事物之间的相关性,其智能的水平便会有一个很大的提高,这几乎是不言而喻的道理。
要让机器懂得这样相关性,并没有什么难度,一是可以人工标注,也就是由人去建立这样的数据关系,包括文字、图片、声音等。更好的办法是机器自己去学习,一方面是从文字中去学习,通过最简单的共现关系,即不同词汇同时出现在一起,以获得这些词汇所代表的事物存在着的关系,进一步还可以通过词汇与图片的共现,学习它们之间的关系,知道事物的具体形象,声音、动作等的关系也都同理可以获得;二是让机器去进行实际观察,比如这篇文章所说的,让机器通过摄像头去观察一个房间,然后它就会知道“锅常常都是在厨房里”了,在自动驾驶都已基本实现的今天,这样的技术不应该会是很大的难题。
由这篇文章我们看出一个问题,那就是现在的人工智能研究都是在歧路上狂奔,如果专家们能仔细想想我们人到底是怎么观察、思考这个世界,或许会发现类似人类的智能并不是个难于上青天的事情。
也许有人会说,仅是知道了事物之间的关系,并不能获得高水平的智能,那么我再提醒你一点:你有考虑过关系的关系吗?
至于说到让机器人不是静态看问题,而是学会动态看待事物,似乎就更加不是什么问题。事物第一有相关性