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？
Кажется, что команды искусственного интеллекта всегда любят находить прорывы в играх. Роботизированная рука, разработанная командой Массачусетского технологического института, также началась с игр в трехмерном мире.
В Jenga, как правило, блоки сначала складываются из трех блоков в один слой, и блоки располагаются в шахматном порядке, образуя башню, а затем блоки извлекаются снизу и помещаются наверху башни, чтобы создать более высокую башню из блоков.
Игра Jenga - это испытание на терпение, равновесие, силу и т. Д. Для многих (особенно студентов, склонных к рукопожатию) эта игра слишком сложна. Робот, разработанный MIT, легко решает эту задачу с помощью обнаружения, алгоритмов, двухтактных, центровочных и других операций.
Где это святое?
Люди всегда говорят, что у них «рукопожатие», поэтому исследование роботизированного оружия должно завершить некоторые изощренные или рискованные операции. Один из членов команды проекта, Альберто Родригес, доцент кафедры машиностроения Массачусетского технологического института, отметил, что ключом к созданию этого робота является то, что он идеально сочетает в себе зрение и осязание.
Об этой технологии говорится не только в журнале Science Robotics, но
и в полуденных новостях CCTV.
Но по внешнему виду этот робот похож на некоторые обычные прикладные машины, например, на обычную механическую руку, но он оснащен мягким зубчатым захватом, браслетом с датчиком силы и внешней камерой, что довольно Ю протянул ей руки, прикосновения и глаза.
Во время работы захват используется для управления строительными блоками, а также может реагировать на осязание; сенсорный браслет используется для управления силой воздействия на строительные блоки; камера используется для сбора визуальных изображений.
Помимо этих форм, которые позволяют роботу гибко перемещать строительные блоки, самое главное - иметь «душу», которая отличается от предыдущих роботов. Исследователи используют новые алгоритмы, чтобы лучше справляться с этой задачей.
По словам исследователей Массачусетского технологического института, этот робот не использует традиционные методы обучения ИИ, но творчески использует динамику иерархической модели для построения модели обучения с кластеризацией.
Преимущество этого заключается в том, что он больше не зависит от большого количества данных, но может выполнять анализ в реальном времени на основе данных обратной связи, при контакте и обнаружении, прогнозируя план перемещения следующего блока.
Как это играет Дженга?
Фактически, робот может справиться с кажущейся сложной игрой Jenga, и ключевым моментом является кластерное обучение.
Традиционный способ решить эту игру - собрать все отношения, которые возникают между строительными блоками, роботами и башнями из строительных блоков, чтобы вычислить наилучший способ. Но это, очевидно, принесет огромное количество данных, и сложность вычислений значительно возрастет.
В этом исследовании был выбран робот, чтобы имитировать то, как люди играют в игры. Первый - попытаться пометить и сгруппировать данные. Затем судите о возможности новой операции, сравнивая с отмеченными данными.
Во-первых, позвольте роботу столкнуться с башней из строительных блоков, случайным образом выберите строительные блоки и вытолкните их с относительно небольшой силой. Для каждой операции выталкивания и вытягивания строительных блоков компьютер будет записывать соответствующие визуальные и силовые данные, а также результат операции. Отметьте это.
В этом исследовании потребовалось около 300 попыток, и было накоплено достаточно данных, а затем данные были обработаны. Здесь используется кластеризация, а операции с похожими данными и результатами сгруппированы в группу, чтобы представить поведение определенного строительного блока.
Различные группы представляют разные степени работоспособности, что также является стандартом для измерения каждой операции. Например, один набор данных представляет собой попытку робота использовать строительный блок, который трудно переместить, а другой набор данных представляет собой попытку робота построить строительный блок, который легче переместить.
Для каждого отдельного набора данных дается соответствующая простая модель, комбинирующая эти модели, робот эквивалентен обучению в реальном времени.
Наконец, можно выполнить собственное упражнение. Когда роботизированная рука выталкивает строительные блоки, она использует камеру и браслет для получения визуальной и тактильной информации, а затем сравнивает полученную обратную связь с предыдущими данными. Если данные соответствуют хорошему результату, Просто выполните эту операцию, если есть риск обрушения, откажитесь от этой операции.
Не только Дженга
Исследователи Массачусетского технологического института указали, что, хотя роботы смогли сыграть в эту игру в своих исследованиях, если они используются для конкуренции с людьми-хозяевами, предполагается, что некоторые улучшения необходимы. Потому что в этом исследовании робот AI фокусируется на решении проблемы физического взаимодействия, которое решает проблему того, можно ли извлечь этот строительный блок и разместить на нем. Но игра Jenga по-прежнему требует некоторых стратегий, которые включают рассмотрение и анализ связанных шагов.
Но у исследовательской группы Массачусетского технологического института такой идеи явно не было, и, возможно, для них создание мастера Jenga не имеет большого значения. По словам исследователя группы Родригеса, эта технология рассматривается в реальных рабочих условиях, например, при производстве роботов на сборочных линиях.
Как бы то ни было, мы часто говорим, что у нас трясутся руки. Тогда позвольте профессиональным «людям» заниматься этими профессиональными делами. Давайте подождем, чтобы нас захватили новогодней едой.
Энциклопедия супер нервной системы
Кластеризация
Кластеризация - это метод машинного обучения для группировки данных. Как правило, объекты данных группируются в несколько классов или кластеров (кластеров), поэтому объекты в одном кластере имеют более высокую степень сходства, в то время как объекты в разных кластерах сильно отличаются.
Для заданного набора точек данных можно использовать алгоритм кластеризации, чтобы отнести каждую точку данных к определенной группе. Теоретически точки данных, принадлежащие к одной группе, должны иметь схожие атрибуты и / или характеристики. Кластеризация - это метод обучения без учителя.
