Robotikte taklit öğrenmeyi basitleştirebilecek yeni bir çerçeve

Solda temsili öğrenme ve sağda en yakın komşular aracılığıyla davranış taklidi ile araştırmacıların yönteminin iki ‘yarısını’ gösteren şekil. Kredi: Pari ve ark.

Son birkaç on yılda bilgisayar bilimcileri, ev işleri ve üretim süreçleri de dahil olmak üzere çeşitli görevlerin üstesinden gelmek için robotları eğitmeye çalışıyorlar. Robotları manuel görevlerde eğitmek için kullanılan en ünlü stratejilerden biri taklit öğrenmedir.

Adından da anlaşılacağı gibi, taklit öğrenme, bir robota insan gösterilerini kullanarak bir şeyi nasıl yapacağını öğretmeyi gerektirir. Bazı çalışmalarda bu eğitim stratejisi çok umut verici sonuçlar elde ederken, genellikle insanların belirli bir görevi tamamladığı yüzlerce video içeren büyük ve açıklamalı veri kümeleri gerektirir.

New York Üniversitesi’ndeki araştırmacılar, yakın zamanda, büyük eğitim veri kümeleri gerektirmeyen alternatif bir taklit öğrenme çerçevesi olan VINN’yi geliştirdiler. arXiv’de önceden yayınlanan bir makalede sunulan bu yeni yaklaşım, bir görevin görsel temsillerini ve ilişkili eylemleri öğrenmek gibi taklit öğrenmenin iki farklı yönünü birbirinden ayırarak çalışır.

Araştırmayı yürüten araştırmacılardan biri olan Jyo Pari, TechXplore’a “Taklit öğrenmeyi nasıl basitleştirebileceğimizi görmek ilgimi çekti” dedi. “Taklit öğrenimi iki temel bileşen gerektirir; biri sahnenizde neyin alakalı olduğunu öğrenmek, diğeri ise bir görevi gerçekleştirmek için ilgili özellikleri nasıl alabileceğinizdir. Geleneksel olarak tek bir sistemde birleştirilen bu bileşenleri ayırmak ve anlamak istedik. her birinin rolü ve önemi.”

Mevcut taklit öğrenme yöntemlerinin çoğu, temsil ve davranış öğrenmeyi tek bir sistemde birleştirir. Öte yandan Pari ve meslektaşları tarafından oluşturulan yeni teknik, yapay zeka ajanlarının ve robotların bir sahnedeki görevle ilgili özellikleri tanımlamayı öğrendiği süreç olan temsili öğrenmeye odaklanıyor.

Pari, “Vizyon topluluğunda popüler bir alan olan kendi kendini denetleyen temsil öğreniminde mevcut yöntemleri kullandık,” dedi. “Bu yöntemler, etiketsiz bir görüntü koleksiyonu alabilir ve ilgili özellikleri çıkarabilir. Bu yöntemleri taklit etmek için uygulamak etkilidir, çünkü gösteri veri kümesindeki hangi görüntünün, robotun şu anda üzerinde basit bir en yakın komşu aramasıyla gördüğüne en çok benzediğini belirleyebiliriz. Bu nedenle, robotun eylemleri benzer gösteri görüntülerinden kopyalamasını sağlayabiliriz.”

Pari ve meslektaşları, geliştirdikleri yeni taklit öğrenme stratejisini kullanarak, simüle edilmiş ortamlarda görsel taklit modellerinin performansını artırmayı başardılar. Ayrıca yaklaşımlarını gerçek bir robot üzerinde test ettiler ve benzer tanıtım görüntülerine bakarak ona bir kapıyı nasıl açacağını verimli bir şekilde öğrettiler.

Pari, “Çalışmamızın, taklit öğrenme modellerini geliştirmek için temsili öğrenmeyi kullanabilecek gelecekteki çalışmalar için bir temel olduğunu hissediyorum.” Dedi. “Ancak, yöntemlerimiz basit bir en yakın komşu görevini yerine getirebilse bile, yine de bazı dezavantajları var.”

Gelecekte, yeni çerçeve robotikte taklit öğrenme süreçlerini basitleştirmeye yardımcı olabilir ve büyük ölçekli uygulamalarını kolaylaştırabilir. Şimdiye kadar, Pari ve meslektaşları stratejilerini yalnızca basit görevlerde robotları eğitmek için kullandılar. Sonraki çalışmalarında, bunu daha karmaşık görevlerde uygulamalarına izin verecek olası stratejileri keşfetmeyi planlıyorlar.

Pari, “Parametrik modellerin kapasitesiyle daha karmaşık görevlerde en yakın komşunun sağlamlığından nasıl yararlanılacağını bulmak ilginç bir yön,” diye ekledi. “Şu anda VINN’yi yalnızca bir görevi değil, birden çok farklı görevi yerine getirebilecek şekilde büyütmek için çalışıyoruz.”


Gerçek insan gösterilerine ihtiyaç duymadan robotları eğitmek için bir taklit öğrenme yaklaşımı


Daha fazla bilgi:
Jyothish Pari, Nur Muhammed Shafiullah, Sridhar Pandian Arunachalam, Lerrel Pinto, Görsel taklit için temsil öğreniminin şaşırtıcı etkinliği. arXiv:2112.01511v2 [cs.RO], arxiv.org/abs/2112.01511

© 2022 Bilim X Ağı

Alıntı: Robotikte taklit öğrenmeyi basitleştirebilecek yeni bir çerçeve (2022, 14 Ocak), 14 Ocak 2022’de https://techxplore.com/news/2022-01-framework-imitation-robotics.html adresinden alındı.

Bu belge telif haklarına tabidir. Özel çalışma veya araştırma amaçlı herhangi bir adil işlem dışında, yazılı izin alınmadan hiçbir bölüm çoğaltılamaz. İçerik yalnızca bilgi amaçlı sağlanmıştır.





#Robotikte #taklit #öğrenmeyi #basitleştirebilecek #yeni #bir #çerçeve