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？
人工知能チームは常にゲームを通じて画期的な発見を求めているようですが、MITチームによって開発されたロボットアームも、3次元の世界でのゲームから始まりました。
ジェンガでは、通常、ブロックを最初に3つのブロックで1つの層に積み重ね、ブロックを交互に配置してタワーを形成し、次にブロックを下部から引き出してタワーの上部に配置して、より高いブロックタワーを作成します。
ジェンガゲームは忍耐力、バランス、強さなどのテストであり、多くの人（特に握手する傾向がある学生）にとって、このゲームは難しすぎます。MITが開発したロボットは、検出、アルゴリズム、プッシュプル、アライメント、その他の操作を通じて、このタスクを簡単に克服します。
神聖なところはどこですか？
人間は常に「手を振る」と言っているので、ロボットアームの研究は、いくつかの洗練された、またはリスクの高い操作を完了することです。プロジェクトチームのメンバーの1人であるMITの機械工学科の助教授であるAlberto Rodriguez氏は、このロボットの鍵は、視覚と触覚が完全に組み合わさっていることだと指摘しました。
このテクノロジーは、Science Roboticsジャーナルだけでなく、
今日のCCTVの正午のニュースにも掲載されています。
しかし、外観から見ると、このロボットは通常のメカニカルアームなどの一般的なアプリケーションマシンに似ていますが、柔らかい歯グリッパー、力検出リストバンド、および外部カメラが装備されています。ゆうは手、触り、目を与えた。
グリッパーはビルディングブロックを操作するために使用され、触覚をフィードバックすることもできます。センサーリストバンドはビルディングブロックを操作する力を制御するために使用され、カメラは視覚的な画像を収集するために使用されます。
ロボットがビルディングブロックを柔軟に移動できるようにするこれらの形状を持つことに加えて、最も重要なことは、以前のロボットとは異なる「魂」を持つことです。研究者は新しいアルゴリズムを使用してこのタスクをよりよくします。
MITの研究者によると、このロボットは従来のAI学習手法を使用していませんが、創造的に階層モデルダイナミクスを使用してクラスタリング学習モデルを構築しています。
これの利点は、大量のデータに依存しなくなり、次のブロックを移動する計画を予測しながら、接触して検出しながら、フィードバックデータに基づいてリアルタイム分析を実行できることです。
それはジェンガをどのように果たしますか？
実際、ロボットは一見複雑なジェンガゲームを処理でき、クラスター学習が鍵となります。
このゲームを解決する従来の方法は、ビルディングブロック、ロボット、ビルディングブロックタワーの間で発生するすべての関係を収集して、最良の方法を計算することです。しかし、これは明らかに膨大な量のデータをもたらし、計算の難しさが大幅に増加します。
この研究では、人間がゲームをプレイする方法を模倣するためにロボットが選択されました。1つ目は、データのラベル付けとクラスター化を試みることです。次に、マークされたデータと比較して、新しい操作の実現可能性を判断します。
まず、ロボットをビルディングブロックタワーに向けて、ランダムにビルディングブロックを選択し、比較的小さな力で押し出します。ビルディングブロックを押し出し、描画する操作ごとに、コンピューターは対応する視覚データと力データ、および操作結果を記録しますマークしてください。
この調査では約300回の試行が行われ、十分なデータが蓄積された後、データが処理されました。ここではクラスタリングが使用され、特定のビルディングブロックの動作を表すために、同様のデータと結果を持つ操作がグループにグループ化されます。
異なるグループは異なる操作性の度合いを表し、これは各操作を測定するための標準でもあります。たとえば、あるデータセットは移動が難しいビルディングブロックでのロボットによる試行を表し、別のデータセットは移動が容易なビルディングブロックでの試行を表します。
異なるデータセットごとに、それに応じて単純なモデルが与えられます。これらのモデルを組み合わせると、ロボットはリアルタイム学習を学習することと同じです。
最後に、実際の運動を実行できます。ロボットアームがビルディングブロックを押し出すと、カメラとリストバンドを使用して視覚的情報と触覚情報を受け取り、受け取ったフィードバックを以前のデータと比較します。データが良好な結果に対応している場合、この操作を行うだけで、倒壊の恐れがある場合はあきらめてください。
ジェンガだけでなく
MITの研究者は、ロボットは研究でこのゲームをプレイできたが、人間のマスターと競争するために使用された場合、ある程度の改善が必要であると推定されていると指摘しました。この研究では、AIロボットが物理的な相互作用の問題の解決に焦点を当て、このビルディングブロックを抽出して配置できるかどうかの問題を解決したためです。しかし、ジェンガゲームでは、関連する手順の検討と分析を含むいくつかの戦略が依然として必要です。
しかし、MITの研究チームは明らかにこのような考えを持っていませんでした。おそらく、彼らにとって、ジェンガのマスターを作成することには、あまり価値がありません。チームの研究者ロドリゲス氏によると、この技術は、組立ラインでのロボットの製造など、実際の作業環境で検討されています。
とにかく、手が震えているとよく言って、プロの「人」にプロの仕事をさせて、お正月の食べ物に圧倒されるのを待ちましょう。
超神経百科事典
クラスタリング
クラスタリングは、データをグループ化するための機械学習手法です。一般に、データオブジェクトは複数のクラスまたはクラスター（クラスター）にグループ化されるため、同じクラスター内のオブジェクトは類似性が高く、異なるクラスター内のオブジェクトはかなり異なります。
データポイントの特定のセットに対して、クラスタリングアルゴリズムを使用して、各データポイントを特定のグループに分類できます。理論的には、同じグループに属するデータポイントは、類似した属性や特性を持つ必要があります。クラスタリングは教師なし学習方法です。
