Miesiąc: czerwiec 2022

Istnieje wiele różnych odmian robotów zaprojektowanych do użytku w przemyśle metalowym, elektronicznym i motoryzacyjnym, ale z pewnością nie są to jedyne typy robotów, które zostały stworzone. Istnieje wiele rozmiarów, kształtów i stylów robotów używanych z wielu różnych powodów na całym świecie. Na przykład przemysł medyczny wykorzystuje roboty do wielu celów, w tym do operacji, pojazdów kierowanych i urządzeń podnoszących. Roboty zostały również zaprojektowane, aby pomagać w domu. Od odkurzaczy po kosiarki do trawy, stworzono roboty do działania przy różnych pracach domowych. Są też roboty wojskowe, które pomagają w zadaniach takich jak usuwanie i transport bomb, a także roboty do użytku w środowiskach ścigania. Ponadto zostały zrobione roboty przeznaczone: do zabawy dla dzieci, takich jak zabawkowe dinozaury, do celów hobbystycznych / konkursowych oraz do eksploracji kosmosu, na przykład Mars Rovers. Oprócz wielu różnych celów roboty mają również różne kształty, rozmiary i możliwości mobilności. Są to:

•  Roboty stacjonarne, które mogą obejmować roboty z ograniczonym ruchem.

•  Roboty kołowe.

•  Nożne robotów.

•  Latające roboty.

•  Roboty pływackie.

Niektóre z bardziej fascynujących robotów to te, które mają ludzkie kształty i zostały zaprojektowane jako towarzysze. Jeden z takich robotów o nazwie Pepper został stworzony w celu rozpoznawania ludzkich emocji. Ten robot był używany w niektórych sklepach w Japonii i jest uważany za domowego towarzysza. Pepper został zaprogramowany do rozpoznawania emocji na podstawie mimiki, ruchów ciała i wypowiadanych słów. Następnie robot wybiera zachowanie reagujące na rozpoznane emocje. Wraz z postępem technologii rozwija się także dziedzina robotyki, co prowadzi do szerokiej gamy rozmiarów, kształtów i typów automatów – lub robotów. Od montażu samochodów po pomoc klientom w sklepach, roboty zostały zaprojektowane i zaprogramowane do wykonywania zadań w wielu różnych branżach, w tym w produkcji, wojsku, medycynie i handlu detalicznym, żeby wymienić tylko kilka.

Wyobraź sobie, że jesteś w lodziarni w Tajlandii i zostały tylko dwa smaki: waniliowy i durian. Oba kosztują 2 dolary. Wiesz, że umiarkowanie lubisz wanilię i jesteś gotów zapłacić do 3 USD za lody waniliowe w tak upalny dzień, więc zysk netto w wysokości 1 USD za wybór wanilii. Z drugiej strony nie masz pojęcia, czy lubisz durian, czy nie, ale przeczytałeś na Wikipedii, że durian wywołuje różne reakcje od różnych ludzi: niektórzy uważają, że „przewyższa smakiem wszystkie inne owoce świata”, podczas gdy inni porównują to do „ścieków, nieświeżych wymiocin, sprayu na skunksa i zużytych wymazów chirurgicznych”. Aby obliczyć kilka liczb, powiedzmy, że jest 50% szans, że uznasz to za wysublimowane (+100 USD) i 50% szans, że go znienawidzisz (-80 USD, jeśli smak będzie trwał przez całe popołudnie). Tutaj nie ma wątpliwości, jaką nagrodę wygrasz – i tak są to te same lody durian – ale nie ma pewności co do własnych preferencji dotyczących tej nagrody. Moglibyśmy rozszerzyć formalizm sieci decyzyjnej, aby uwzględnić niepewne użyteczności, jak pokazano na rysunku (a).

Jeśli jednak nie można uzyskać więcej informacji na temat twoich preferencji dotyczących duriana – na przykład, jeśli sklep nie pozwoli ci go najpierw skosztować – wtedy problem decyzyjny jest identyczny z tym pokazanym na rysunku (b).

Możemy po prostu zastąpić niepewną wartość duriana jego oczekiwanym zyskiem netto w wysokości (0:5×100$)-(0:5×80$)-2$=8$, a Twoja decyzja pozostanie bez zmian. Jeśli twoje przekonania na temat duriana mogą się zmienić – być może poczujesz odrobinę smaku lub dowiesz się, że wszyscy twoi żyjący krewni kochają duriana – wtedy transformacja na rysunku 10(b) nie jest prawidłowa. Okazuje się jednak, że wciąż możemy znaleźć model równoważny, w którym funkcja użyteczności jest deterministyczna. Zamiast mówić, że istnieje niepewność co do funkcji użyteczności, przenosimy tę niepewność „w świat”, że tak powiem. Oznacza to, że tworzymy nową zmienną losową LikesDurian z wcześniejszym prawdopodobieństwem 0,5 dla prawdy i fałszu, jak pokazano na rysunku (c).

Dzięki tej dodatkowej zmiennej funkcja użyteczności staje się deterministyczna, ale nadal możemy poradzić sobie ze zmieniającymi się przekonaniami na temat twoich preferencji dotyczących duriana. Fakt, że nieznane preferencje można modelować zwykłymi zmiennymi losowymi, oznacza, że ​​możemy nadal korzystać z maszynerii i twierdzeń opracowanych dla znanych preferencji. Z drugiej strony nie oznacza to, że zawsze możemy założyć, że preferencje są znane. Niepewność nadal istnieje i nadal wpływa na zachowanie agentów.

Roboty stały się powszechne w wielu branżach. W rzeczywistości liczba robotów zamawianych i wysyłanych gwałtownie wzrosła w ciągu ostatnich kilku lat. Stowarzyszenie Robotics Industries Association (RIA) ogłosiło rekordową sprzedaż robotów na początku 2017 r., i prawie 10 000 robotów zamówiono w samej Ameryce Północnej. Zamówienia te były warte 516 milionów dolarów dla przemysłu robotyki. Statystyki pokazują 32-procentowy wzrost w stosunku do pierwszego kwartału 2016 r. Wzrosła również liczba wysyłek robotów, z których ponad 8 000 zostało wysłanych do firm w Ameryce Północnej w pierwszych miesiącach 2017 r. To 24-procentowy wzrost w porównaniu z pierwszym kwartałem 2016 r. Większość robotów zamówionych na początku 2017 r. (53 procent) była przeznaczona do użytku w przemyśle motoryzacyjnym. Zamówienia robotów do użytku w innych branżach, w tym w metalach, półprzewodnikach, elektronice, żywności i towarach konsumpcyjnych, również były motorem rozwoju branży robotyki. Według RIA {184} w różnych branżach w Ameryce Północnej jest obecnie używanych około 250 000 robotów. Oszacowano, że do 2019 r. do fabryk na całym świecie zostanie wysłanych ponad 1,4 miliona nowych robotów. Obecnie Unia Europejska i Chiny przodują, a 65 procent krajów UE ma wysoką średnią robotów przemysłowych na 10 000 pracowników. Jednak oczekuje się, że Chiny osiągną 40 procent wielkości rynku robotów przemysłowych do 2019 roku. Joe Gemma, prezes Międzynarodowej Federacji Robotyki, powiedział: “Automatyzacja jest głównym czynnikiem konkurencyjnym dla tradycyjnych grup produkcyjnych, ale jest również staje się coraz ważniejszy dla małych i średnich przedsiębiorstw na całym świecie. ” Federacja szacuje, że do 2019 r. Zostanie wdrożonych 2,6 miliona robotów przemysłowych. Według statystyk 70 procent wszystkich robotów jest obecnie używanych w przemyśle motoryzacyjnym, elektronicznym i metalowym lub maszynowym. Przemysł robotyki odnotował rekordowy rok w 2015 r., Przy sprzedaży na całym świecie 254 000 sztuk.

W tej części omówimy, co się dzieje, gdy istnieje niepewność co do funkcji użyteczności, której wartość oczekiwana ma zostać zoptymalizowana. Istnieją dwie wersje tego problemu: jedna, w której podmiot (maszyna lub człowiek) jest niepewny swojej własnej funkcji użyteczności, oraz druga, w której maszyna ma pomagać człowiekowi, ale nie jest pewna, czego człowiek chce.

Hollywood stworzyło mnóstwo filmów przedstawiających roboty w negatywnym świetle, co z kolei negatywnie wpłynęło na wrażenia na temat robotów. Jednak w rzeczywistości roboty i automaty mają niewiele wspólnego z tymi przerażającymi stworzeniami, które widzimy na srebrnym ekranie. Roboty z prawdziwego życia, które są niezwykle złożone, zostały zasadniczo stworzone, aby pomóc w zadaniach, które są zbyt niebezpieczne lub trudne dla ludzi i są używane głównie dla dobra, a nie zła. Zasadniczo robot to dowolna maszyna, którą można zaprogramować do wykonywania złożonych działań. Słowo robot pochodzi od czeskiego słowa robota, co oznacza przymusowego robotnika. Idea inteligentnej maszyny istnieje od czasów starożytnych, a wiele mitów promuje ideę sztucznego człowieka. Wiele religii przedstawia takie postacie w swoich opowieściach. Pierwsze elektroniczne roboty autonomiczne (lub roboty “współczesne”) zostały stworzone w Bristolu w Anglii w 1948 roku przez Williama Graya Waltera. Istnieje ogólna zgoda, że aby maszyna mogła zostać zdefiniowana jako robot zgodnie z dzisiejszymi standardami, musi spełniać następujące kryteria:

•  Może być programowany elektronicznie.

•  Potrafi przetwarzać dane lub postrzeganie fizyczne.

•  Może pracować autonomicznie.

•  Może się poruszać.

•  Potrafi operować niektórymi częściami fizycznymi lub procesem.

•  Może wyczuwać i zmieniać zgodnie z otoczeniem.

•  Może wykazywać inteligentne zachowanie podobne do ludzkiego.

Dzisiejsze roboty są najczęściej używane do zadań przemysłowych, takich jak produkcja, ale stają się one coraz bardziej powszechne w innych celach (np. Medyczne roboty operacyjne, roboty do terapii psów). Są również coraz częściej wykorzystywane do zadań, które również są niebezpieczne dla ludzi, takie jak użycie dronów w sytuacjach wojskowych. Ponieważ roboty zostały pierwotnie stworzone wyłącznie w celach rozrywkowych, wiele wczesnych opracowano tak, aby wyglądały jak zwierzęta lub ludzie. Jednak podczas rewolucji przemysłowej te zautomatyzowane maszyny zaczęły być używane z bardziej praktycznych powodów, dla których nie musiały już wyglądać na ludzi. Dzisiaj roboty przeszły długą drogę w obu aspektach (ich zdolności do wyglądania jak ludzie lub zwierzęta oraz ich praktyczne możliwości). W rezultacie istnieje ogromna różnorodność robotów o różnych kombinacjach funkcji i wyglądu fizycznego. W ciągu ostatnich kilku dziesięcioleci wiele rodzajów robotów powróciło do projektowania, aby coraz bardziej wyglądać i zachowywać się jak ludzie, ale jeszcze nie osiągnęły złożoności, w której mogą podejmować własne decyzje bez wstępnego programowania. Dzisiaj jednym z najbardziej rozpoznawalnych robotów jest Roomba, mały, okrągły odkurzacz, który może dostosować się do otoczenia za pomocą wbudowanych czujników. Według prezesa iRobot, firmy produkującej Roombę, sprzedano ponad 14 milionów Roomba. Robot Roomba pracuje w odkurzaniu pomieszczenia w oparciu o zaprogramowane tryby, w tym tryb punktowy, tryb maksymalny i tryb dokowania. Każdy tryb instruuje maszynę, aby wykonała określone zadanie w określony sposób. Na przykład tryb czyszczenia punktowego powoduje, że robot Roomba czyści niewielki obszar, pracując ruchem spiralnym na zewnątrz, a następnie do wewnątrz. Robot Roomba jest również wstępnie zaprogramowany na “reakcje” na zderzanie się z obiektami, co powoduje jego odwrócenie i zmianę ścieżek. Pomimo tego, jak roboty są przedstawiane w filmach, istnieje wiele rodzajów i stylów automatycznych maszyn, od robotów fabrycznych po towarzyszące, z których wszystkie mają być pomocne dla ludzi

Praktyka analizy wrażliwości jest szeroko rozpowszechniona w dyscyplinach technologicznych: oznacza analizowanie, jak bardzo zmienia się wynik procesu w miarę dostrajania parametrów modelu. Analiza wrażliwości w systemach probabilistycznych i teoretyczno-decyzyjnych jest szczególnie ważna, ponieważ stosowane prawdopodobieństwa są zazwyczaj albo wyciągane z danych, albo szacowane przez ekspertów, co oznacza, że ​​same są obarczone znaczną niepewnością. Tylko w rzadkich przypadkach, takich jak rzuty kostką w tryktrak, prawdopodobieństwa są obiektywnie znane. W przypadku procesu decyzyjnego opartego na użyteczności można myśleć o wynikach jako o faktycznie podjętej decyzji lub oczekiwanej użyteczności tej decyzji. Rozważmy najpierw to drugie: ponieważ oczekiwanie zależy od prawdopodobieństw z modelu, możemy obliczyć pochodną oczekiwanej użyteczności dowolnego działania w odniesieniu do każdej z tych wartości prawdopodobieństwa. (Na przykład, jeśli wszystkie warunkowe rozkłady prawdopodobieństwa w modelu są jawnie zestawione, wówczas obliczenie oczekiwań obejmuje obliczenie stosunku dwóch wyrażeń sumy iloczynu; więcej na ten temat w rozdziale 21.) W ten sposób można określić, które parametry w modelu mają największy wpływ na oczekiwaną użyteczność ostatecznej decyzji. Jeśli zamiast tego interesuje nas podjęta decyzja, a nie jej użyteczność zgodnie z modelem, możemy po prostu systematycznie zmieniać parametry (być może za pomocą wyszukiwania binarnego), aby zobaczyć, czy decyzja się zmienia, a jeśli tak, to co jest najmniejsze zaburzenie, które powoduje taką zmianę. Można by pomyśleć, że nie ma większego znaczenia, jaka decyzja zostanie podjęta, tylko jaka jest jej użyteczność. To prawda, ale w praktyce może istnieć bardzo istotna różnica między rzeczywistą użytecznością decyzji a użytecznością zgodną z modelem. Jeżeli wszystkie uzasadnione perturbacje parametrów pozostawiają optymalną decyzję niezmienioną, wówczas uzasadnione jest założenie, że decyzja jest dobra, nawet jeśli oszacowanie użyteczności dla tej decyzji jest zasadniczo nieprawidłowe. Z drugiej strony, jeśli optymalna decyzja zmienia się znacznie wraz ze zmianą parametrów modelu, to istnieje duża szansa, że ​​model może wydać decyzję, która w rzeczywistości jest zasadniczo nieoptymalna. W takim przypadku warto zainwestować dalszy wysiłek w dopracowanie modelu. Te intuicje zostały sformalizowane w kilku dziedzinach (teoria kontroli, analiza decyzji, zarządzanie ryzykiem), które proponują pojęcie solidnej lub minimaksowej decyzji, czyli takiej, która daje najlepszy wynik w najgorszym przypadku. Tutaj „najgorszy przypadek” oznacza najgorszy w odniesieniu do wszystkich prawdopodobnych zmian wartości parametrów modelu. Pozostawiając wszystkie parametry θ w modelu, solidna decyzja jest zdefiniowana przez

W wielu przypadkach, szczególnie w teorii sterowania, solidne podejście prowadzi do projektów, które działają bardzo niezawodnie w praktyce. W innych przypadkach prowadzi do zbyt konserwatywnych decyzji. Na przykład, przy projektowaniu autonomicznego samochodu, solidne podejście zakładałoby najgorszy przypadek zachowania innych pojazdów na drodze — to znaczy, że wszystkie są kierowane przez morderczych maniaków. W takim przypadku optymalnym rozwiązaniem dla samochodu jest pozostanie w garażu. Bayesowska teoria decyzyjna oferuje alternatywę dla metod odpornych: jeśli istnieje niepewność co do parametrów modelu, modeluj tę niepewność za pomocą hiperparametrów. Podczas gdy solidne podejście może powiedzieć, że pewne prawdopodobieństwo θ_i w modelu może wynosić od 0,3 do 0,7, z rzeczywistą wartością wybraną przez przeciwnika, aby wszystko wyszło tak źle, jak to możliwe, podejście bayesowskie umieściłoby wcześniejszy rozkład prawdopodobieństwa na θ_i, a następnie postępuj jak poprzednio. Wymaga to większego wysiłku związanego z modelowaniem – na przykład modelarz bayesowski musi zdecydować, czy parametry θ_i oraz θ_j są niezależne – ale często skutkuje to lepszą wydajnością w praktyce. Oprócz niepewności parametrycznej zastosowania teorii decyzji w świecie rzeczywistym cierpią również na niepewność strukturalną. Na przykład założenie niezależności Ruchu Lotniczego, Sporów i Budownictwa może być niepoprawne i mogą istnieć dodatkowe zmienne, które model po prostu pomija. Obecnie nie mamy dobrego zrozumienia, jak brać pod uwagę tego rodzaju niepewność. Jedną z możliwości jest zachowanie zestawu modeli, być może wygenerowanych przez algorytmy uczenia maszynowego, w nadziei, że zestaw wychwytuje znaczące różnice, które mają znaczenie.

Oto niektóre z powszechnej terminologii stosowanej w odniesieniu do samochodów samojezdnych.

•  Automatyzowany system autostrad (AHS): Jest to rodzaj inteligentnej technologii systemu transportu zaprojektowanej przede wszystkim dla samochodów bez kierowcy. System AHS, zwany także “Smart Road”, pozwoli zmniejszyć natężenie ruchu na drogach.

•  Autonomous Cars: w pełni autonomiczne pojazdy, które mogą jeździć bez udziału człowieka i interwencji. Zazwyczaj oznacza to, że samochód nie ma kierownicy. Samochody te będą połączone ze sobą bezprzewodowo i będą w stanie obsługiwać podstawowe wzorce ruchu, w tym zdolność do nawigowania na rondach i prawidłowego interpretowania sygnalizacji świetlnej.

•  Komputer centralny: tutaj analizowane są wszystkie informacje zebrane przez czujniki. Komputer centralny odpowiada również za kierowanie, przyspieszanie i hamowanie pojazdu.

•  GPS: GPS, który oznacza Global Positioning System, wykorzystuje satelity, tachometry, wysokościomierze i żyroskopy, aby umożliwić wskazanie lokalizacji pojazdu z dokładnością do 1,9 metra.

•  Kamera na podczerwień: Ta kamera wychwytuje promienie podczerwone, które świecą przez reflektory, aby lepiej wyposażyć samochód do jazdy nocą

•  Wskazówki dotyczące pasa ruchu: Pojazdy samojezdne są w stanie pozostać na swoich własnych pasach dzięki wyrafinowanym kamerom umieszczonym na lusterku wstecznym. Kamery te mogą monitorować oznaczenia pasów i odróżniać je od nawierzchni drogi.

•  Lidar: Lidar oznacza wykrywanie światła i określanie odległości. Składa się z laserowej odmiany technologii radarowej. Narzędzie Lidarequipped jest zazwyczaj przymocowane do dachu pojazdu, zapewniając mu nieprzerwany, 360-stopniowy widok środowiska podróży.

•  Radar: systemy radarowe służą do wykrywania wszelkich obiektów, które mogą znajdować się na drodze. Radar, który oznacza radio detekcję i zasięg, wykorzystuje fale radiowe, aby pomóc samobieżnym samochodom w monitorowaniu ich otoczenia.

•  Samochody półautonomiczne: są to samochody nieco autonomiczne, ale nadal mogą przyjmować lub wymagać wkładu człowieka. Aktualne przykłady samochodów półautonomicznych to Tesla Model S i Mercedes-Benz E.

•  Czujniki: Czujniki mogą być użyte do wykrywania dowolnej liczby różnych czynników, które mogą lepiej umożliwić prowadzenie samochodu w otoczeniu. Mogą to być między innymi czujniki wzorców pogodowych, warunków drogowych lub obecności pieszych lub przeszkód na drodze pojazdu.

•  Stereo Vision: dotyczy dwóch kamer 3D na przedniej szybie pojazdu samobieżnego, które pomagają obserwować przeszkody na drodze.

•  Enkodery kół: są to czujniki umieszczone na kołach pojazdu samobieżnego, które pomagają śledzić jego prędkość podczas ruchu.

Fakt, że wartość sekwencji obserwacji jest niezmienna w przypadku permutacji sekwencji, jest intrygujący, ale sam w sobie nie prowadzi do wydajnych algorytmów do optymalnego gromadzenia informacji. Nawet jeśli ograniczymy się do wcześniejszego wybrania ustalonego podzbioru obserwacji do zebrania, istnieje 2ⁿ możliwych takich podzbiorów z n potencjalnych obserwacji. W ogólnym przypadku mamy do czynienia z jeszcze bardziej złożonym problemem znalezienia optymalnego planu warunkowego, który wybiera obserwację, a następnie działa lub wybiera więcej obserwacji, w zależności od wyniku. Takie plany tworzą drzewa, a liczba takich drzew jest superwykładnicza w n. W przypadku obserwacji zmiennych w sieci decyzyjnej okazuje się, że problem ten jest nierozwiązywalny nawet wtedy, gdy sieć jest wielodrzewa. Istnieją jednak szczególne przypadki, w których problem można skutecznie rozwiązać. Tutaj przedstawiamy jeden taki przypadek: problem poszukiwania skarbów (lub najmniej kosztowna sekwencja testowa, dla mniej romantycznych). Jest n lokalizacji 1,…,n; każda lokalizacja i zawiera skarb z niezależnym prawdopodobieństwem P(i); a sprawdzenie lokalizacji i kosztuje C(i). Odpowiada to sieci decyzyjnej, w której wszystkie potencjalne zmienne dowodowe Treasurei są całkowicie niezależne. Agent bada lokalizacje w określonej kolejności, dopóki nie znajdzie skarbu; pytanie brzmi, jaka jest optymalna kolejność? Aby odpowiedzieć na to pytanie, będziemy musieli rozważyć oczekiwane koszty i prawdopodobieństwa powodzenia różnych sekwencji obserwacji, zakładając, że agent zatrzymuje się po znalezieniu skarbu. Niech x będzie takim ciągiem; xy być konkatenacją ciągów x i y; C(x) będzie oczekiwanym kosztem x; P(x) jest prawdopodobieństwem, że sekwencja x zdoła znaleźć skarb a F(x)=1-P(x) jest prawdopodobieństwem niepowodzenia. Biorąc pod uwagę te definicje, mamy

oznacza to, że ciąg xy na pewno poniesie koszt x, a jeśli x zawiedzie, poniesie również koszt y. Podstawową ideą w każdym zadaniu optymalizacji sekwencji jest przyjrzenie się zmianie kosztu, zdefiniowanej przez Δ=C(wxyz)-C(wyxz), gdy dwa sąsiednie podciągi x i y w ogólnej sekwencji wxyz są odwrócone. Gdy sekwencja jest optymalna, wszystkie takie zmiany pogarszają sekwencję. Pierwszym krokiem jest pokazanie, że znak efektu (zwiększenie lub zmniejszenie kosztu) nie zależy od kontekstu dostarczonego przez w i z. Mamy

Pokazaliśmy więc, że kierunek zmiany kosztu całej sekwencji zależy tylko od kierunku zmiany kosztu odwróconej pary elementów; kontekst pary nie ma znaczenia. Daje nam to możliwość sortowania sekwencji przez porównania parami w celu uzyskania optymalnego rozwiązania. W szczególności mamy teraz

Odnosi się to do dowolnych sekwencji x i y, więc dotyczy to szczególnie, gdy x i y są pojedynczymi obserwacjami lokalizacji odpowiednio i oraz j. Wiemy więc, że aby i oraz j sąsiadowały w optymalnej sekwencji, musimy mieć C(i)P(j) ≤ C(j)P(i) lub P(i)/C(i) ≥ P(j)/C(j). Innymi słowy, optymalna kolejność szereguje lokalizacje zgodnie z prawdopodobieństwem sukcesu na koszt jednostkowy.

W rzeczywistości wszystko, co transportuje ludzi lub rzeczy, prawdopodobnie wkrótce będzie autonomiczne i pozbawione sterowników. Postępy w technologiach sztucznej inteligencji zostaną wykorzystane, aby pomóc wszystkim rodzajom pojazdów stać się samodzielnymi. Wraz z samochodami dostępna będzie pełna gama innych pojazdów, które będą mogły jechać z punktu A do punktu B bez udziału człowieka. Oto krótka lista niektórych pojazdów, które będą autonomiczne w przyszłości:

Statki : Autonomiczne statki żeglugowe będą ogromnym postępem dla międzynarodowego przemysłu żeglugowego. W Norwegii opracowali już pierwszy przyjazny dla środowiska, samodzielny statek, który ma zerową emisję i może przejść z punktu A do punktu B bez pomocy. Yara Birkeland, zasilany z akumulatora, miał rozpocząć pracę w 2020 r., przenosząc nawóz do zakładu produkcyjnego. Ten autonomiczny statek nawiguje za pomocą systemu GPS, radaru, kamery i czujników. Będzie również miał dźwigi elektryczne, które pomogą mu w załadunku i rozładunku.

Ciągniki : Japonia jest jednym z krajów najbardziej zaawansowanych w tej dziedzinie i wkrótce będzie zbierać plony przy pomocy autonomicznych ciągników. Przy wsparciu rządu opracowano ciągniki samojezdne, aby ułatwić rolnictwo w kraju. Aby zachęcić do tworzenia takich maszyn, japońskie Ministerstwo Rolnictwa ustanowiło normy bezpieczeństwa. Doniesienia medialne wskazują, że ciągniki bez kierowcy mogą być w pełni gotowe do 2020 r. Ciągniki te będą manewrować za pomocą GPS i satelitów, aby pomóc im w określeniu ich dokładnej lokalizacji. Wersje testowe, które zostały wydane w czerwcu 2017 r., Zostały wycenione na około 50 procent wyższe niż obecne tradycyjne ciągniki. Pełna gama samojezdnych ciągników zostanie wydana w Japonii już w 2018 roku, kiedy zacznie działać nowy satelita.

Samoloty : Będzie to najbardziej znaczący rozwój, biorąc pod uwagę, że rocznie około 3,8 miliarda ludzi podróżuje samolotami. Jest to również zmiana, która prawdopodobnie zajmie najdłuższy czas dostosowania dla pasażerów, ponieważ wiele osób może wahać się przed wejściem na pokład samolotu bez pilota. Postępy w systemach komputerowych i sztucznej inteligencji zostaną wykorzystane do wspomagania startu i lądowania tych autonomicznych samolotów. Boeing ogłosił, że zamierza przetestować samoloty bez pilota w odpowiedzi na rosnącą liczbę podróżnych i malejącą liczbę pilotów. Oczekuje się, że testy rozpoczną się latem 2018 roku. Czy byłbyś skłonny latać samolotem bez pilota? Nie sądzę, żebym to zrobił!

Śmigłowce : Dubaj był pierwszym miastem, które przetestowało taksówki helikopterów bez pilota jako sposób na pokonanie cofniętego ruchu. Niezależnie od braku wytycznych lub przepisów, Dubaj był najwyraźniej zdeterminowany jako pierwsze miasto, które przetestowało autonomiczne śmigłowce, a Dubai Roads and Transit Authority wskazało, że nadal będzie je rozwijać. W tym wysiłku rząd Dubaju zgodził się, aby niemiecki startup Volocopter przeprowadził tam testy pod koniec 2017 roku. Sam helikopter ma około 2 metrów wysokości i średnicę 7 metrów. Doniesiono, że autonomiczne taksówki lotnicze (AAT) mogą lecieć przez 30 minut z prędkością 50 km (około 31 mil) na godzinę. Podobnie jak w przypadku samolotów, interesujące będzie dowiedzieć się, jak niepewni pasażerowie będą wsiadać na samoloty. Jest prawdopodobne, że niewiele osób chciałoby być pasażerami testowymi, aby dowiedzieć się, czy te śmigłowce bez pilota są bezpieczne, czy nie.

Drony dostarczające : Czy możesz sobie wyobrazić złożenie zamówienia online i dostarczenie go w ciągu kilku minut? Przewiduje się, że drony będą przyszłością zakupów i wysyłki. Amazon, gigant handlu elektronicznego, wykazał duże zainteresowanie rozwojem dronów do wysyłki. Gdy maszyny działają prawidłowo, mogą pomóc zmniejszyć koszty wysyłki, a także czas potrzebny na dostawę na obszarach miejskich

W testach przeprowadzonych przez Amazon w 2016 r. dronowi zajęło mniej niż 15 minut, aby dostarczyć zamówienie, które w innym przypadku zajęłoby co najmniej kilka godzin, a nawet kilka dni. Oszczędności kosztów zarówno dla firmy, jak i dla klienta były głównymi motywami, które podjęły próbę przyjęcia przez Amazon użycia dronów. W rzeczywistości Pizza Domino udowodniła, że dostawy można realizować za pomocą dronów w listopadzie 2016 r., kiedy z powodzeniem wykorzystała drona do dostarczenia zamówienia klienta w Nowej Zelandii. Jednak eksperci stwierdzili, że ich zdaniem masowe przyjęcie dostawy dronów będzie powstrzymywane przez bariery regulacyjne, problemy techniczne i preferencje klientów. Przewiduje się, że drony staną się bardziej powszechnymi metodami dostarczania po 2020 r. Pojawiły się również pewne obawy etyczne dotyczące tego, jakie rodzaje danych będą zbierać z domów klientów. Jeden z raportów medialnych twierdzi, że Amazon może wykorzystywać swoje drony do skanowania domów z powietrza w celu dostosowania swoich reklam do swoich klientów. Może sprowadzać się do kwestii wygody i prywatności. Kolejną wadą dostarczania dronów jest to, że duża liczba osób pracujących w branży dostarczania paczek będzie bez pracy. Podobnie jak w przypadku samochodów samojezdnych, opracowywanie i testowanie innych pojazdów autonomicznych nastąpi również na etapach przyrostowych i zajmie to trochę czasu. Prawdopodobnie będzie to dobra rzecz dla większości pasażerów, ponieważ da im czas na stopniowe dostosowanie się do pojazdów samobieżnych, a nie wszystkich naraz.

Rozsądny agent powinien zadawać pytania w rozsądnym porządku, powinien unikać zadawania pytań nieistotnych, powinien brać pod uwagę znaczenie każdej informacji w stosunku do jej kosztu i powinien przestać zadawać pytania, gdy jest to właściwe. Wszystkie te możliwości można osiągnąć, wykorzystując wartość informacji jako przewodnika. Rysunek przedstawia ogólny projekt agenta, który może inteligentnie zbierać informacje przed podjęciem działania. Na razie zakładamy, że z każdą obserwowalną zmienną dowodową Ej wiąże się koszt C(Ej), który odzwierciedla koszt uzyskania dowodu poprzez testy, konsultantów, pytania lub cokolwiek innego. Agent prosi o najbardziej efektywną obserwację pod względem zysku użyteczności na koszt jednostkowy. Zakładamy, że rezultatem akcji Request(Ej) jest to, że następny percept dostarcza wartość Ej. Jeśli żadna obserwacja nie jest warta swojej ceny, agent wybiera „prawdziwą” akcję. Opisany przez nas algorytm agenta implementuje formę zbierania informacji zwaną krótkowzrocznością. Dzieje się tak dlatego, że krótkowzrocznie wykorzystuje formułę VPI, obliczając wartość informacji tak, jakby uzyskano tylko jedną zmienną dowodową. Kontrola krótkowzroczności opiera się na tej samej koncepcji heurystycznej, co wyszukiwanie zachłanne i często sprawdza się w praktyce. (Na przykład wykazano, że przewyższa lekarzy ekspertów w doborze testów diagnostycznych.) Jednakże, jeśli nie ma jednej zmiennej dowodowej, która bardzo by pomogła, czynnik krótkowzroczny może pochopnie podjąć działanie, podczas gdy lepiej byłoby poprosić o dwa lub więcej zmiennych, a następnie podejmij działanie. Kolejny rozdział rozważa możliwość uzyskania wielu obserwacji.