https://mp.weixin.qq.com/s/akZcJFJInI0KrCPQu9Hlxw
By 超神经
对于叠叠乐（ Jenga ）这种积木游戏，想必很多人都深有体会，因为稍有不慎，辛辛苦苦堆起来的积木塔就毁于一旦。这样的事情，交给 AI 和机器人来做，会怎么样呢？
Parece que a los equipos de inteligencia artificial siempre les gusta encontrar avances a través de los juegos. El brazo robótico desarrollado por el equipo del MIT también comenzó con juegos en el mundo tridimensional.
En Jenga, generalmente, los bloques se apilan primero con tres bloques en una capa, y los bloques se escalonan para formar una torre, y luego los bloques se extraen de la parte inferior y se colocan en la parte superior de la torre para crear una torre de bloques más alta.
El juego Jenga es una prueba de paciencia, equilibrio, fuerza, etc. Para muchas personas (especialmente los estudiantes que son propensos a estrechar la mano) este juego es demasiado difícil. El robot desarrollado por MIT supera fácilmente esta tarea mediante detección, algoritmos, push-pull, alineación y otras operaciones.
¿Dónde es sagrado?
Los seres humanos siempre dicen que "dan la mano", por lo que la investigación de brazos robóticos es para completar algunas operaciones refinadas o de alto riesgo. Uno de los miembros del equipo del proyecto, Alberto Rodríguez, profesor asistente en el Departamento de Ingeniería Mecánica del MIT, señaló que la clave de este robot es que combina a la perfección la visión y el tacto.
Esta tecnología no solo está en la revista Science Robotics, sino
también en las noticias del mediodía de CCTV de hoy.
Pero desde la apariencia, este robot es similar a algunas máquinas de aplicación comunes, como un brazo mecánico ordinario, pero está equipado con una pinza de dientes suaves, una pulsera con sensor de fuerza y una cámara externa, que es bastante Yu le dio manos, caricias y ojos.
En el trabajo, la pinza se usa para operar los bloques de construcción y también puede retroalimentar el sentido del tacto; la pulsera del sensor se usa para controlar la fuerza de operación de los bloques de construcción; la cámara se usa para recolectar imágenes visuales.
Además de tener estas formas que permiten que el robot mueva los bloques de construcción de manera flexible, lo más importante es tener un "alma" diferente a la de los robots anteriores; los investigadores utilizan nuevos algoritmos para hacerlo mejor en esta tarea.
Según los investigadores del MIT, este robot no utiliza métodos tradicionales de aprendizaje de IA, sino que utiliza de forma creativa la dinámica del modelo jerárquico para construir un modelo de aprendizaje de agrupación.
La ventaja de esto es que ya no depende de una gran cantidad de datos, sino que puede realizar análisis en tiempo real basados en los datos de retroalimentación, mientras contacta y detecta, mientras predice el plan de mover el siguiente bloque.
¿Cómo juega Jenga?
De hecho, el robot puede manejar el aparentemente complejo juego de Jenga, y el aprendizaje en grupos es la clave.
La forma tradicional de resolver este juego es recopilar todas las relaciones que ocurren entre los bloques de construcción, los robots y las torres de bloques de construcción para calcular la mejor manera. Pero, obviamente, esto traerá una gran cantidad de datos y la dificultad de cálculo aumenta considerablemente.
En esta investigación, el robot fue elegido para imitar la forma en que los humanos juegan. La primera es intentar etiquetar y agrupar los datos. Luego juzgue la viabilidad de la nueva operación comparándola con los datos marcados.
Primero, deje que el robot se enfrente a una torre de bloques de construcción, seleccione aleatoriamente los bloques de construcción y empújelos hacia afuera con una fuerza relativamente pequeña. Para cada operación de empujar y dibujar los bloques de construcción, la computadora registrará los datos visuales y de fuerza correspondientes, y junto con el resultado de la operación Márcalo.
Tomó cerca de 300 intentos en este estudio, y se acumularon suficientes datos, y luego se procesaron los datos. Aquí se utiliza la agrupación en clústeres y las operaciones con datos y resultados similares se agrupan en un grupo para representar el comportamiento específico de los bloques de construcción.
Los diferentes grupos representan diferentes grados de operabilidad, que también es el estándar para medir cada operación. Por ejemplo, un conjunto de datos representa un intento del robot sobre un bloque de construcción que es difícil de mover, mientras que otro conjunto de datos representa un intento de un bloque de construcción que es más fácil de mover.
Para cada conjunto de datos diferente, se proporciona un modelo simple en consecuencia. Combinando estos modelos, el robot es equivalente a aprender el aprendizaje en tiempo real.
Finalmente, se puede realizar el ejercicio real. Cuando el brazo robótico empuja los bloques de construcción, utiliza la cámara y la pulsera para recibir información visual y táctil, y luego compara la retroalimentación recibida con los datos anteriores. Si los datos corresponden a un buen resultado, Simplemente realice esta operación, si existe riesgo de colapso, abandone esta operación.
No solo Jenga
Los investigadores del MIT señalaron que aunque los robots han podido jugar a este juego en su investigación, si se utilizan para competir con maestros humanos, se estima que se necesitan algunas mejoras. Porque en esta investigación, el robot de IA se enfoca en resolver el problema de la interacción física, lo que resuelve el problema de si este bloque de construcción se puede extraer y colocar sobre él. Pero el juego Jenga todavía requiere algunas estrategias, lo que implica considerar y analizar los pasos asociados.
Pero el equipo de investigación del MIT obviamente no tenía esta idea, quizás para ellos, crear un maestro de Jenga no tiene mucho valor. Según el investigador del equipo Rodríguez, la tecnología se está considerando en entornos laborales reales, como en la fabricación de robots en líneas de montaje.
De todos modos, solemos decir que nos tiemblan las manos. Entonces dejemos que "gente" profesional haga estas cosas profesionales. Esperemos a ser abrumados por la comida de Año Nuevo.
Enciclopedia súper nerviosa
Agrupación
La agrupación en clústeres es una técnica de aprendizaje automático para agrupar datos. Generalmente, los objetos de datos se agrupan en múltiples clases o clústeres (Clusters), de modo que los objetos del mismo clúster tienen un mayor grado de similitud, mientras que los objetos de diferentes clústeres son bastante diferentes.
Para un conjunto dado de puntos de datos, se puede usar un algoritmo de agrupamiento para clasificar cada punto de datos en un grupo específico. En teoría, los puntos de datos que pertenecen al mismo grupo deberían tener atributos y / o características similares. La agrupación es un método de aprendizaje no supervisado.
