amerikali
Yeni Üye
Bonn Üniversitesi’ndeki Otonom Akıllı Sistemler (AIS) araştırma grubundan bilim adamları, robotların insan gibi bilinmeyen nesneleri en iyi şekilde nasıl kavrayabileceğine dair bir model geliştirdiler. Model derin takviyeli öğrenme yöntemlerine dayanmaktadır.
Reklamcılık
İnsanlar genellikle nesneleri düşmelerini veya yalnızca çeşitli görevleri yerine getirmek için kullanılmalarını önleyecek şekilde sezgisel olarak kavrarlar. Bu robotlar için zor bir konudur, özellikle bir nesneye aşina değillerse ve onu ilk kez ellerinde tutmak istiyorlarsa, öncelikle onu nasıl doğru bir şekilde kavrayacaklarını öğrenmeleri gerekir.
Bonn Üniversitesi’nden araştırma ekibi, Arxiv’de ön baskı olarak yayınlanan “İnsan Benzeri Fonksiyonel Kategorik Kavrama için Hünerli Ön Kavrama Manipülasyonunun Derin Güçlendirme Öğrenimi” çalışmasında bu sorunu ele aldı. Burada, bir modelin robotik bir kolu, nesneleri işlevsel olarak kavrayabilecek şekilde kontrol etmek üzere eğitilebileceği, derin takviyeli öğrenmeye dayalı bir yaklaşımı tanımlıyorlar.
Araştırmaya katılan araştırmacılardan biri olan Dmytro Pavlichenko, “Bir nesne, örneğin bir matkabın hız kontrolünde işaret parmağıyla kullanılabildiğinde işlevsel olarak kavranır” diye açıklıyor. Bu tür özel bir kavrama her zaman ilk seferde gerçekleştirilemez, dolayısıyla nesnenin döndürülmesi veya başka bir şekilde manipüle edilmesi gerekebilir.
Bilinmeyen nesnelerin manipülasyonu
Araştırmacılar, nesnelerin etkili bir şekilde tutulabilmesi için robot onları kavramadan önce manipüle edilmesi amacıyla yapay zeka modelini derin takviyeli öğrenme kullanarak eğitti. Model çok bileşenli ödül fonksiyonuyla çalışmaktadır. Bu, parmak-nesne etkileşimi yoluyla bir nesneyi “belirlenen işlevsel kavrama hedefine yaklaştırmak” için gerekli teşviki yaratır. GPU tabanlı simülasyon Isaac Gym’de çalışmalar anında uygulanarak sistemin daha hızlı öğrenmesine olanak sağlanıyor.
Aynı simülasyon ortamında bilim insanları öğrendiklerinin sonuçlarını kontrol ettiler. Simüle edilen robotlar, açıkça şekillendirilmiş nesneleri ellerinde hareket ettirebiliyor ve onları en iyi şekilde nasıl manipüle edebileceklerini anlayabiliyor. Bu işe yarıyor, ancak hiç kimse sisteme bunun nasıl yapılacağını göstermedi.
Reklamcılık
Araştırmacıların kullandığı öğrenme yaklaşımı farklı robotik kollara ve ellere aktarılıp uygulanabilir. Daha sonra farklı şekillerdeki çok sayıda nesneyle ilgilenebilirsiniz.
Bilim insanları artık modeli fiziksel robotlara aktarmak istiyor. Hedefleri: Performansın simülasyondaki kadar yüksek olması gerekir. Buradaki zorluk simülasyon ile gerçeklik arasındaki boşluğu kapatmaktır. Araştırmacılar bunun için ek bir öğrenme adımının gerekli olabileceğini düşünüyor.
(eski)
Haberin Sonu
Reklamcılık
İnsanlar genellikle nesneleri düşmelerini veya yalnızca çeşitli görevleri yerine getirmek için kullanılmalarını önleyecek şekilde sezgisel olarak kavrarlar. Bu robotlar için zor bir konudur, özellikle bir nesneye aşina değillerse ve onu ilk kez ellerinde tutmak istiyorlarsa, öncelikle onu nasıl doğru bir şekilde kavrayacaklarını öğrenmeleri gerekir.
Bonn Üniversitesi’nden araştırma ekibi, Arxiv’de ön baskı olarak yayınlanan “İnsan Benzeri Fonksiyonel Kategorik Kavrama için Hünerli Ön Kavrama Manipülasyonunun Derin Güçlendirme Öğrenimi” çalışmasında bu sorunu ele aldı. Burada, bir modelin robotik bir kolu, nesneleri işlevsel olarak kavrayabilecek şekilde kontrol etmek üzere eğitilebileceği, derin takviyeli öğrenmeye dayalı bir yaklaşımı tanımlıyorlar.
Araştırmaya katılan araştırmacılardan biri olan Dmytro Pavlichenko, “Bir nesne, örneğin bir matkabın hız kontrolünde işaret parmağıyla kullanılabildiğinde işlevsel olarak kavranır” diye açıklıyor. Bu tür özel bir kavrama her zaman ilk seferde gerçekleştirilemez, dolayısıyla nesnenin döndürülmesi veya başka bir şekilde manipüle edilmesi gerekebilir.
Bilinmeyen nesnelerin manipülasyonu
Araştırmacılar, nesnelerin etkili bir şekilde tutulabilmesi için robot onları kavramadan önce manipüle edilmesi amacıyla yapay zeka modelini derin takviyeli öğrenme kullanarak eğitti. Model çok bileşenli ödül fonksiyonuyla çalışmaktadır. Bu, parmak-nesne etkileşimi yoluyla bir nesneyi “belirlenen işlevsel kavrama hedefine yaklaştırmak” için gerekli teşviki yaratır. GPU tabanlı simülasyon Isaac Gym’de çalışmalar anında uygulanarak sistemin daha hızlı öğrenmesine olanak sağlanıyor.
Aynı simülasyon ortamında bilim insanları öğrendiklerinin sonuçlarını kontrol ettiler. Simüle edilen robotlar, açıkça şekillendirilmiş nesneleri ellerinde hareket ettirebiliyor ve onları en iyi şekilde nasıl manipüle edebileceklerini anlayabiliyor. Bu işe yarıyor, ancak hiç kimse sisteme bunun nasıl yapılacağını göstermedi.
Reklamcılık
Araştırmacıların kullandığı öğrenme yaklaşımı farklı robotik kollara ve ellere aktarılıp uygulanabilir. Daha sonra farklı şekillerdeki çok sayıda nesneyle ilgilenebilirsiniz.
Bilim insanları artık modeli fiziksel robotlara aktarmak istiyor. Hedefleri: Performansın simülasyondaki kadar yüksek olması gerekir. Buradaki zorluk simülasyon ile gerçeklik arasındaki boşluğu kapatmaktır. Araştırmacılar bunun için ek bir öğrenme adımının gerekli olabileceğini düşünüyor.
(eski)
Haberin Sonu