https://aie24.pl/
Skoro już wiesz, czym jest uczenie maszynowe, nie powinno Cię dziwić, że termin ten wzbudził zainteresowanie robotyką i nie zmienił się zbytnio w ciągu ostatnich lat. Ale jaki związek ma uczenie maszynowe z robotami? W robotyce pojawiło się obecnie tylko kilka osiągnięć, które doprowadziły do innych osiągnięć, w tym uczenia maszynowego. Oto pięć aktualnych zastosowań uczenia maszynowego, które można zobaczyć w robotyce:
1.
Widzenie komputerowe: niektórzy twierdzą, że wizja robota lub wizja maszynowa to właściwy termin, ponieważ „widzenie robota” będzie obejmować coś więcej niż tylko algorytmy komputerowe. Robotycy i inżynierowie badali, jaki typ sprzętu kamery umożliwi robotowi przetwarzanie otaczających go danych fizycznych. Wizja robota i wizja maszynowa są ze sobą ściśle powiązane. Można im przypisać stworzenie automatycznych systemów kontroli i prowadzenia robotów. Różnią się jedynie niewielką różnicą w kinematyce stosowanej w wizji robota, która obejmie kalibrację ramki komentarza i zdolność robota do fizycznego wpływania na otoczenie. Napływ dużych zbiorów danych pomógł w rozwoju wizji komputerowej, co w jeszcze większym stopniu pomogło uczeniu maszynowemu opartemu na technikach ustrukturyzowanego uczenia się poprzez przewidywanie na wielu uniwersytetach.
2.
Uczenie się przez naśladownictwo: uczenie się przez naśladownictwo jest ściśle powiązane z uczeniem się przez obserwację, czyli zachowaniem obserwowanym u niemowląt i małych dzieci. Uczenie się przez naśladownictwo jest uważane za kategorię zbiorczą uczenia się przez wzmacnianie lub wyzwanie polegające na nakłonieniu agenta do działania w świecie w celu maksymalizacji korzyści. Podejście to ma wspólne cechy, a mianowicie modele probabilistyczne i model bayesowski. Ostatecznie pytanie brzmi, czy uczenie się przez naśladownictwo będzie można zastosować w przypadku robotów humanoidalnych. Uczenie się przez naśladownictwo, będące ważną częścią robotyki, charakteryzuje się mobilnością poza ustawieniami fabrycznymi w takich dziedzinach, jak poszukiwania, ratownictwo i budownictwo, co utrudnia ręczne programowanie rozwiązań robotycznych.
3.
Samonadzorowane uczenie się: generowanie własnych przykładów szkoleniowych będzie dozwolone robotom ze względu na podejście do uczenia się samonadzorowanego, dzięki czemu będą mogły poprawiać swoje wyniki. Będzie to obejmować szkolenie priorytetowe, a także dane zebrane z bliskiej odległości, które zostaną wykorzystane do przetłumaczenia niejednoznacznych danych z czujników o dużym zasięgu. Roboty wyposażone w urządzenia optyczne mają to zainstalowane, więc mogą odrzucać i wykrywać obiekty. Cornell i Stanford stworzyli solidny przykład o nazwie Watch-Bot, który wykorzystuje laptop, wskaźnik laserowy, czujnik 3D i kamerę do znajdowania normalnych działań człowieka, czyli wzorców, których można się nauczyć za pomocą metod prawdopodobieństwa. Aby namierzyć przypomnienie, Watch-Bot używa wskaźnika laserowego w obiektach. W teście bot przypomina ludziom w prawie 60% przypadków, ale robot nie ma pojęcia, co robi ani dlaczego to robi.
4.
Technologie medyczne i wspomagające: robot wspomagający to urządzenie, które potrafi wykrywać i przetwarzać informacje sensoryczne przed wykonaniem działania, które przyniesie korzyść osobie niepełnosprawnej i seniorom. Te roboty do terapii ruchowej zapewnią korzyści terapeutyczne i diagnostyczne. Ponieważ nadal są one zbyt kosztowne dla szpitali za granicą i w Stanach Zjednoczonych, nadal nie wykorzystuje się ich w laboratoriach. Niektóre z wczesnych przykładów technologii wspomagających to stacjonarny robot-asystent zawodowy, czyli DeVAR. DeVAR został opracowany na początku lat 90. przez firmy Stanford i Palo Alto Veterans Affairs Rehabilitation Research and Development. Nadal prowadzone są badania nad robotycznymi technologiami wspomagającymi opartymi na uczeniu maszynowym. Jednym z przykładów jest ramię robota MICO. Jest to maszyna pomocnicza posiadająca autonomię, która wykorzystuje sensor Kinect do obserwacji świata. Implikacje te będą bardziej złożone, ale zapewnią światu inteligentniejsze roboty wspomagające, które będą mogły lepiej dostosować się do potrzeb użytkownika. Postęp w uczeniu maszynowym widać także w świecie medycznym. Choć placówki medyczne jeszcze z tego nie korzystają, robotyka rozwija się w szybkim tempie.
5.
Uczenie się wieloagentowe: uczenie się wieloagentowe obejmuje kilka kluczowych elementów, a mianowicie negocjacje i koordynację, które będą obejmować roboty oparte na uczeniu maszynowym, tworzone w celu znalezienia strategii równowagi i dostosowania się do zmieniającego się krajobrazu robota. Na przykład narzędzia uczenia się bez żalu, które obejmują algorytmy ważone, są uwzględnione w podejściach do uczenia się wieloagentowego, które pomogą poprawić efekty uczenia się powiązane z uczeniem się i planowaniem wieloagentowym, które można znaleźć w rozproszonych systemach sterowania, które mają charakter rynkowy. Pod koniec 2014 roku w laboratorium MIT zajmującym się systemami decyzyjnymi i informacyjnymi powstał solidniejszy przykład algorytmu używanego w rozproszonych robotach lub agentach. Roboty mogły współpracować, aby zbudować bardziej włączający i lepszy model uczenia się, który został wykonany przez jednego robota, na podstawie eksploracji budynków i sposobu rozmieszczenia pomieszczeń, jednocześnie samodzielnie budując bazę wiedzy. Każdy robot tworzy katalogi, które następnie łączy ze zbiorami danych innych robotów, przy czym podczas tworzenia tego rodzaju bazy wiedzy algorytm standardowy jest lepszy od algorytmu rozproszonego. Tego rodzaju podejście do uczenia maszynowego, choć nie jest to system doskonały, umożliwi robotom porównywanie katalogów i wzmacnianie wzajemnych obserwacji, korygując jednocześnie wszelkie pominięcia lub nadmierne uogólnienia, co w najbliższej przyszłości odegra rolę w wielu zastosowaniach robotycznych.