Ինչպե՞ս են ռոբոտները օգտագործում արհեստական ​​բանականությունը։

Ինչպե՞ս են ռոբոտները օգտագործում արհեստական ​​բանականությունը։

Կարճ պատասխան. Ռոբոտները օգտագործում են արհեստական ​​բանականությունը՝ անընդհատ զգալու, հասկանալու, պլանավորելու, գործելու և սովորելու ցիկլ իրականացնելու համար, որպեսզի նրանք կարողանան անվտանգ շարժվել և աշխատել խառնաշփոթ, փոփոխվող միջավայրերում: Երբ սենսորները աղմկոտ են կամ վստահության մակարդակը նվազում է, լավ նախագծված համակարգերը դանդաղեցնում են, անվտանգ կանգ են առնում կամ օգնություն են խնդրում՝ կռահելու փոխարեն:

Հիմնական եզրակացություններ՝

Ինքնավարության ցիկլ . Կառուցեք համակարգեր՝ զգալ-հասկանալ-պլանավորել-գործել-սովորել սկզբունքի շուրջ, այլ ոչ թե մեկ մոդելի։

Հուսալիություն . Նախագծված է շողացման, խառնաշփոթի, սահքի և անկանխատեսելիորեն շարժվող մարդկանց դեմ։

Անորոշություն . Արտահայտեք վստահություն և օգտագործեք այն ավելի անվտանգ, պահպանողական վարքագիծ խթանելու համար։

Անվտանգության գրանցամատյաններ . գրանցեք գործողությունները և համատեքստը, որպեսզի խափանումները լինեն աուդիտի ենթակա և շտկելի։

Հիբրիդային կույտ . հուսալիության համար համատեղեք մեքենայական ծրագրավորումը ֆիզիկայի սահմանափակումների և դասական կառավարման հետ։

Ստորև ներկայացված է, թե ինչպես է արհեստական ​​բանականությունը դրսևորվում ռոբոտների ներսում՝ դրանց արդյունավետ աշխատանքը խթանելու համար։.

Հոդվածներ, որոնք կարող են ձեզ դուր գալ կարդալ սրանից հետո

🔗 Երբ Էլոն Մասկի ռոբոտները սպառնում են աշխատատեղերին
Ինչ կարող են անել Tesla-ի ռոբոտները և որ դերերը կարող են փոխվել։.

🔗 Ի՞նչ է մարդանման ռոբոտի արհեստական ​​բանականությունը
Սովորեք, թե ինչպես են մարդանման ռոբոտները ընկալում, շարժվում և հետևում հրահանգներին։.

🔗 Ի՞նչ աշխատատեղեր կփոխարինի արհեստական ​​բանականությունը
Ավտոմատացմանը ամենաշատը ենթարկվող դերերը և արժեքավոր մնացած հմտությունները։.

🔗 Արհեստական ​​բանականության աշխատատեղեր և ապագա կարիերաներ
Արհեստական ​​բանականության ոլորտում այսօրվա կարիերայի ուղիները և թե ինչպես է արհեստական ​​բանականությունը վերաձևավորում զբաղվածության միտումները։.

Ինչպե՞ս են ռոբոտները օգտագործում արհեստական ​​բանականությունը։ Արագ մտավոր մոդել

Արհեստական ​​բանականությամբ աշխատող ռոբոտների մեծ մասը հետևում է հետևյալ ցիկլին

  • Sense 👀: Տեսախցիկներ, միկրոֆոններ, LiDAR, ուժի սենսորներ, անիվի կոդավորիչներ և այլն:

  • Հասկանալ 🧠: Հայտնաբերել առարկաներ, գնահատել դիրքը, ճանաչել իրավիճակները, կանխատեսել շարժումը։

  • Պլանավորել 🗺️: Ընտրեք նպատակներ, հաշվարկեք անվտանգ ուղիներ, ժամանակացույց կազմեք առաջադրանքներ:

  • Գործել 🦾: Ստեղծել շարժիչ հրամաններ, բռնել, գլորվել, հավասարակշռություն պահպանել, խուսափել խոչընդոտներից։

  • Սովորել 🔁: Բարելավել տվյալների հիման վրա ընկալումը կամ վարքագիծը (երբեմն՝ առցանց, հաճախ՝ ոչ առցանց):

Ռոբոտացված «արհեստական ​​բանականության» մեծ մասը իրականում միասին աշխատող մասերի մի ամբողջություն է՝ ընկալում , վիճակի գնահատում , պլանավորում և վերահսկողություն , որոնք միասին կազմում են ինքնավարություն։

Մեկ գործնական «դաշտային» իրականություն. դժվարը սովորաբար ոչ թե ռոբոտին մաքուր ցուցադրության ժամանակ մեկ անգամ ինչ-որ բան անելու հնարավորություն տալն է, այլ նրան նույն պարզ բանը հուսալիորեն , երբ լուսավորությունը փոխվում է, անիվները սահում են, հատակը փայլում է, դարակները տեղաշարժվում են, և մարդիկ քայլում են անկանխատեսելի NPC-ների պես։

Արհեստական ​​բանականություն

Ի՞նչն է դարձնում արհեստական ​​բանականության ուղեղը լավը ռոբոտի համար

Ռոբոտ-արհեստական ​​բանականության ամուր համակարգը չպետք է պարզապես խելացի լինի, այն պետք է հուսալի անկանխատեսելի, իրական աշխարհի միջավայրերում։

Կարևոր բնութագրերը ներառում են

  • Իրական ժամանակի կատարողականություն ⏱️ (ժամանակին լինելը կարևոր է որոշումներ կայացնելու համար)

  • Կայունություն խառնաշփոթ տվյալների նկատմամբ (շողալ, աղմուկ, խառնաշփոթ, շարժման մշուշոտություն)

  • Հեզաճկուն ձախողման ռեժիմներ 🧯 (դանդաղեցրեք, անվտանգ կանգ առեք, օգնություն խնդրեք)

  • Լավ նախնական գիտելիքներ + լավ ուսուցում (ֆիզիկա + սահմանափակումներ + մեքենայական ուսուցում, ոչ միայն «թրթռումներ»)

  • Չափելի ընկալման որակ 📏 (իմանալ, թե երբ են սենսորները/մոդելները վատթարանում)

Լավագույն ռոբոտները հաճախ նրանք չեն, ովքեր կարող են մեկ անգամ փայլուն հնարք անել, այլ նրանք են, որոնք կարող են լավ կատարել ձանձրալի աշխատանքը օր օրի։.

Ռոբոտների արհեստական ​​բանականության ընդհանուր կառուցվածքային բլոկների համեմատական ​​աղյուսակ

Արհեստական ​​բանականության կտոր/գործիք Ում համար է դա Գինու չափ Ինչու է այն աշխատում
Համակարգչային տեսողություն (օբյեկտի հայտնաբերում, սեգմենտացիա) 👁️ Շարժական ռոբոտներ, զենքեր, անօդաչու թռչող սարքեր Միջին Տեսողական մուտքագրումը վերածում է օգտագործելի տվյալների, ինչպիսին է օբյեկտի նույնականացումը
SLAM (քարտեզագրում + տեղայնացում) 🗺️ Ռոբոտներ, որոնք շարժվում են Միջին-բարձր Կառուցում է քարտեզ՝ միաժամանակ հետևելով ռոբոտի դիրքին, ինչը կարևոր է նավիգացիայի համար [1]
Ճանապարհի պլանավորում + խոչընդոտներից խուսափելը 🚧 Առաքման բոտեր, պահեստի AMR-ներ Միջին Հաշվարկում է անվտանգ երթուղիները և հարմարվում խոչընդոտներին իրական ժամանակում
Դասական կառավարում (PID, մոդելի վրա հիմնված կառավարում) 🎛️ Ամեն ինչ, որը կապված է շարժիչների հետ Ցածր Ապահովում է կայուն, կանխատեսելի շարժում
Ուժեղացված ուսուցում (RL) 🎮 Բարդ հմտություններ, մանիպուլյացիա, շարժունակություն Բարձր Սովորում է պարգևատրման վրա հիմնված փորձի և սխալի քաղաքականության միջոցով [3]
Խոսք + լեզու (ASR, մտադրություն, LLM) 🗣️ Օգնականներ, սպասարկող ռոբոտներ Միջին-բարձր Թույլ է տալիս մարդկանց հետ շփվել բնական լեզվի միջոցով
Անոմալիաների հայտնաբերում + մոնիթորինգ 🚨 Գործարաններ, առողջապահություն, անվտանգության կարևորագույն ոլորտներ Միջին Հայտնաբերում է անսովոր օրինաչափությունները, նախքան դրանք թանկ կամ վտանգավոր դառնան
Սենսորային միաձուլում (Կալմանի ֆիլտրեր, սովորած միաձուլում) 🧩 Նավիգացիա, անօդաչու թռչող սարքեր, ինքնավարության կույտեր Միջին Միավորում է աղմկոտ տվյալների աղբյուրները՝ ավելի ճշգրիտ գնահատականների համար [1]

Ընկալում. Ինչպես են ռոբոտները սենսորային տվյալները վերածում իմաստի

Ընկալումը այն է, երբ ռոբոտները սենսորային հոսքերը վերածում են այնպիսի բանի, որը նրանք իրականում կարող են օգտագործել

  • Տեսախցիկներ → առարկայի ճանաչում, դիրքի գնահատում, տեսարանի հասկացողություն

  • LiDAR → հեռավորություն + խոչընդոտի երկրաչափություն

  • Խորության տեսախցիկներ → 3D կառուցվածք և ազատ տարածություն

  • Միկրոֆոններ → խոսք և ձայնային ազդանշաններ

  • Ուժի/մոմենտի սենսորներ → ավելի անվտանգ բռնում և համագործակցություն

  • Շոշափելի սենսորներ → սահքի հայտնաբերում, շփման իրադարձություններ

Ռոբոտները ապավինում են արհեստական ​​բանականությանը՝ հետևյալ հարցերին պատասխանելու համար

  • «Ի՞նչ առարկաներ կան իմ առջև»։

  • «Դա մարդ է, թե՞ մանեկեն»։

  • «Որտե՞ղ է բռնակը»։

  • «Ինչ-որ բան շարժվո՞ւմ է դեպի ինձ»։

Մի նուրբ, բայց կարևոր մանրամասնություն. ընկալման համակարգերը իդեալականորեն պետք է արտածեն անորոշություն (կամ վստահության ցուցիչ), այլ ոչ թե պարզապես այո/ոչ պատասխան, քանի որ հետագա պլանավորման և անվտանգության վերաբերյալ որոշումները կախված են ռոբոտի վստահությունից

Տեղայնացում և քարտեզագրում. իմանալ, թե որտեղ եք գտնվում առանց խուճապի մատնվելու

Ռոբոտը պետք է իմանա, թե որտեղ է գտնվում՝ պատշաճ կերպով գործելու համար: Սա հաճախ լուծվում է SLAM-ի (Միաժամանակյա տեղայնացում և քարտեզագրում) ՝ քարտեզ կառուցելով՝ միաժամանակ գնահատելով ռոբոտի դիրքը: Դասական ձևակերպումներում SLAM-ը դիտարկվում է որպես հավանականային գնահատման խնդիր, որի տարածված ընտանիքները ներառում են EKF-ի վրա հիմնված և մասնիկային ֆիլտրի վրա հիմնված մոտեցումներ: [1]

Ռոբոտը սովորաբար համատեղում է

  • Անիվի օդոմետրիա (հիմնական հետևում)

  • LiDAR սկանավորման համապատասխանեցում կամ տեսողական կողմնորոշիչներ

  • IMU-ներ (պտույտ/արագացում)

  • GPS (բացօթյա, սահմանափակումներով)

Ռոբոտները միշտ չէ, որ կարող են կատարյալ տեղայնացվել, ուստի լավ ռոբոտները գործում են մեծահասակների պես. հետևում են անորոշությանը, հայտնաբերում շեղումը և վերադառնում ավելի անվտանգ վարքագծի, երբ վստահությունը նվազում է։.

Պլանավորում և որոշումների կայացում. Հաջորդ անելիքների ընտրություն

Երբ ռոբոտն ունի աշխարհի գործնական պատկերացում, այն պետք է որոշի, թե ինչ անել։ Պլանավորումը հաճախ դրսևորվում է երկու շերտով

  • Տեղական պլանավորում (արագ ռեֆլեքսներ) ⚡
    Խուսափեք խոչընդոտներից, դանդաղեցրեք մարդկանց մոտ, հետևեք գոտիներին/միջանցքներին։

  • Գլոբալ պլանավորում (ավելի լայն պատկեր) 🧭
    Ընտրեք ուղղություններ, շրջանցեք արգելափակված տարածքները, կազմեք առաջադրանքների ժամանակացույց։

Գործնականում, սա այն դեպքն է, երբ ռոբոտը «կարծում եմ՝ տեսնում եմ հստակ ուղի» խոսքերը վերածում է կոնկրետ շարժման հրամանների, որոնք չեն դիպչի դարակի անկյունին կամ չեն ներխուժի մարդու անձնական տարածք։.

Կառավարում. Պլանների վերածումը սահուն շարժման

Կառավարման համակարգերը պլանավորված գործողությունները վերածում են իրական շարժման՝ միաժամանակ զբաղվելով իրական աշխարհի այնպիսի նյարդայնացնող գործոններով, ինչպիսիք են՝

  • Շփում

  • Բեռնվածության փոփոխություններ

  • Ձգողականություն

  • Շարժիչի ուշացումներ և հետադարձ հարվածներ

Տարածված գործիքներից են PID-ը , մոդելի վրա հիմնված կառավարումը , մոդելի կանխատեսողական կառավարումը և հակադարձ կինեմատիկան այսինքն՝ մաթեմատիկան, որը «տեղադրում է բռնիչը այնտեղ » վերածում է հոդերի շարժումների: [2]

Մի օգտակար ձև մտածելու այս մասին.
պլանավորումն ընտրում է ուղի:
Կառավարումը ստիպում է ռոբոտին իրականում հետևել դրան՝ առանց տատանվելու, գերարագության հասնելու կամ կոֆեինով լի գնումների զամբյուղի պես թրթռալու:

Ուսուցում. Ինչպես են ռոբոտները կատարելագործվում՝ հավերժ վերածրագրավորվելու փոխարեն

Ռոբոտները կարող են կատարելագործվել՝ սովորելով տվյալներից, այլ ոչ թե ձեռքով վերակարգավորվելով միջավայրի յուրաքանչյուր փոփոխությունից հետո։.

Հիմնական ուսուցման մոտեցումները ներառում են՝

  • Վերահսկվող ուսուցում 📚: Սովորեք պիտակավորված օրինակներից (օրինակ՝ «սա պալետ է»):

  • Ինքնահսկվող ուսուցում 🔍: Սովորեք կառուցվածքը հում տվյալներից (օրինակ՝ կանխատեսելով ապագա կադրերը):

  • Ուժեղացված ուսուցում 🎯: Սովորեք գործողություններ՝ ժամանակի ընթացքում առավելագույնի հասցնելով պարգևատրման ազդանշանները (հաճախ շրջանակված գործակալներով, միջավայրերով և վերադարձներով): [3]

Որտեղ RL-ը փայլում է. բարդ վարքագծերի ուսումնասիրություն, որտեղ կառավարիչի ձեռքով նախագծումը ցավոտ է։
Որտեղ RL-ը դառնում է ավելի կծու. տվյալների արդյունավետություն, անվտանգություն ուսումնասիրության ընթացքում և սիմուլյացիայից իրական բացթողումներ։

Մարդ-ռոբոտ փոխազդեցություն. արհեստական ​​բանականություն, որը օգնում է ռոբոտներին աշխատել մարդկանց հետ

Տներում կամ աշխատավայրերում գտնվող ռոբոտների համար փոխազդեցությունը կարևոր է: Արհեստական ​​բանականությունը հնարավորություն է տալիս

  • Խոսքի ճանաչում (հնչյուն → բառեր)

  • Մտադրության հայտնաբերում (բառեր → իմաստ)

  • Ժեստերի հասկացողություն (մատնացույց, մարմնի լեզու)

Սա պարզ է հնչում, մինչև դուք այն չեք ներկայացնում. մարդիկ անհամապատասխան են, առոգանությունները տարբեր են, սենյակները աղմկոտ են, և «այնտեղ»-ը կոորդինատային շրջանակ չէ։.

Վստահություն, անվտանգություն և «մի՛ սարսափելի եղիր». պակաս զվարճալի, բայց էական մասը

Ռոբոտները արհեստական ​​բանականության համակարգեր են՝ ֆիզիկական հետևանքներով , ուստի վստահությունն ու անվտանգության կանոնները չեն կարող երկրորդական լինել։

Գործնական անվտանգության կառույցները հաճախ ներառում են

  • Վստահության/անորոշության մոնիթորինգ

  • Պահպանողական վարքագծեր, երբ ընկալումը վատթարանում է

  • Գրանցման գործողություններ վրիպազերծման և աուդիտների համար

  • Ռոբոտի կարողությունների հստակ սահմաններ

Սա ձևակերպելու օգտակար բարձր մակարդակի միջոց է ռիսկերի կառավարումը՝ կառավարում, ռիսկերի քարտեզագրում, դրանց չափում և կառավարում ողջ կյանքի ցիկլի ընթացքում՝ համաձայն այն բանի, թե ինչպես է NIST-ը ավելի լայնորեն կառուցում արհեստական ​​բանականության ռիսկերի կառավարումը: [4]

«Մեծ մոդելի» միտումը. Հիմնադրամային մոդելներ օգտագործող ռոբոտներ

Հիմնադրամային մոդելները մղում են դեպի ավելի ընդհանուր նշանակության ռոբոտի վարքագիծ, հատկապես, երբ լեզուն, տեսլականը և գործողությունը մոդելավորվում են միասին։.

Մեկ օրինակելի ուղղություն են տեսողություն-լեզու-գործողություն (VLA) մոդելները, որտեղ համակարգը մարզվում է կապելու այն, ինչ տեսնում է + այն, ինչ իրեն ասվում է անել + այն, թե ինչ գործողություններ պետք է ձեռնարկի: RT-2-ը այս մոտեցման ոճի լայնորեն մեջբերվող օրինակ է: [5]

Հետաքրքիր մասը՝ ավելի ճկուն, ավելի բարձր մակարդակի ըմբռնում։
Իրականության ստուգում. ֆիզիկական աշխարհի հուսալիությունը դեռևս պահանջում է պաշտպանիչ ցանկապատեր. դասական գնահատումը, անվտանգության սահմանափակումները և պահպանողական վերահսկողությունը չեն անհետանում միայն այն պատճառով, որ ռոբոտը կարող է «խելացի խոսել»։

Վերջնական դիտողություններ

Այսպիսով, ինչպե՞ս են ռոբոտները օգտագործում արհեստական ​​բանականությունը։ Ռոբոտներն օգտագործում են արհեստական ​​բանականությունը՝ ընկալելու , վիճակը գնահատելու (որտե՞ղ եմ ես գտնվում) , պլանավորելու և վերահսկելու , իսկ երբեմն էլ սովորելու համար՝ կատարելագործվելու համար։ Արհեստական ​​բանականությունը թույլ է տալիս ռոբոտներին հաղթահարել դինամիկ միջավայրերի բարդությունը, սակայն հաջողությունը կախված է անվտանգությունն առաջնային համարող վարքագծով հուսալի, չափելի համակարգերից։

Հաճախակի տրվող հարցեր

Ինչպե՞ս են ռոբոտները օգտագործում արհեստական ​​բանականությունը՝ ինքնուրույն աշխատելու համար։

Ռոբոտները արհեստական ​​բանականությունն օգտագործում են անընդհատ ինքնավարության ցիկլ իրականացնելու համար՝ զգալով աշխարհը, մեկնաբանելով տեղի ունեցողը, պլանավորելով անվտանգ հաջորդ քայլը, գործելով շարժիչների միջոցով և սովորելով տվյալներից: Գործնականում սա համատեղ աշխատող բաղադրիչների մի ամբողջություն է, այլ ոչ թե մեկ «կախարդական» մոդել: Նպատակը փոփոխվող միջավայրերում հուսալի վարքագիծն է, այլ ոչ թե կատարյալ պայմաններում միանվագ ցուցադրությունը:.

Ռոբոտի արհեստական ​​բանականությունը միայն մեկ մոդել է, թե՞ լիարժեք ինքնավարության կույտ։

Շատ համակարգերում ռոբոտի արհեստական ​​բանականությունը լիարժեք փաթեթ է՝ ընկալում, վիճակի գնահատում, պլանավորում և վերահսկողություն: Մեքենայական ուսուցումը օգնում է տեսողության և կանխատեսման նման խնդիրների լուծմանը, մինչդեռ ֆիզիկայի սահմանափակումները և դասական կառավարումը պահպանում են շարժման կայունությունը և կանխատեսելիությունը: Շատ իրական տեղակայումներ օգտագործում են հիբրիդային մոտեցում, քանի որ հուսալիությունն ավելի կարևոր է, քան խելացիությունը: Ահա թե ինչու «միայն թրթռումներով» ուսուցումը հազվադեպ է գոյատևում վերահսկվող միջավայրերից դուրս:.

Ի՞նչ սենսորների և ընկալման մոդելների վրա են հիմնվում արհեստական ​​բանականության ռոբոտները։

Արհեստական ​​բանականության ռոբոտները հաճախ համատեղում են տեսախցիկներ, LiDAR, խորության սենսորներ, միկրոֆոններ, IMU-ներ, կոդավորիչներ և ուժի/մոմենտի կամ շոշափելի սենսորներ: Ընկալման մոդելները այս հոսքերը վերածում են օգտագործելի ազդանշանների, ինչպիսիք են օբյեկտի ինքնությունը, դիրքը, ազատ տարածքը և շարժման ազդանշանները: Գործնական լավագույն պրակտիկան վստահության կամ անորոշության արտածումն է, այլ ոչ թե միայն պիտակներ: Այդ անորոշությունը կարող է առաջնորդել ավելի անվտանգ պլանավորումը, երբ սենսորները վատթարանում են շողալուց, մշուշոտությունից կամ խառնաշփոթից:.

Ի՞նչ է SLAM-ը ռոբոտաշինության մեջ, և ինչո՞ւ է այն կարևոր։

SLAM-ը (Միաժամանակյա տեղայնացում և քարտեզագրում) օգնում է ռոբոտին կառուցել քարտեզ՝ միաժամանակ գնահատելով իր սեփական դիրքը: Այն կենտրոնական դեր ունի այն ռոբոտների համար, որոնք շարժվում են և պետք է կողմնորոշվեն առանց «խուճապի մատնվելու», երբ պայմանները փոխվում են: Տիպիկ մուտքային տվյալներն են անիվի օդոմետրիան, IMU-ները և LiDAR-ը կամ տեսողական կողմնորոշիչները, երբեմն՝ GPS-ը բացօթյա: Լավ կուտակիչները հաշվի են առնում հետագծի շեղումը և անորոշությունը, որպեսզի ռոբոտը կարողանա ավելի պահպանողականորեն գործել, երբ տեղայնացումը անկայուն է դառնում:.

Ինչո՞վ են տարբերվում ռոբոտի պլանավորումը և ռոբոտի կառավարումը։

Պլանավորումը որոշում է, թե ռոբոտը ինչ պետք է անի հաջորդը, օրինակ՝ ընտրել նպատակակետ, շրջանցել խոչընդոտները կամ խուսափել մարդկանցից: Կառավարումը այդ պլանը վերածում է հարթ, կայուն շարժման՝ չնայած շփմանը, բեռի փոփոխություններին և շարժիչի ուշացումներին: Պլանավորումը հաճախ բաժանվում է գլոբալ պլանավորման (ընդհանուր պատկերի երթուղիներ) և տեղային պլանավորման (արագ արձագանքներ խոչընդոտների մոտ): Կառավարումը սովորաբար օգտագործում է գործիքներ, ինչպիսիք են PID-ը, մոդելի վրա հիմնված կառավարումը կամ մոդելի կանխատեսողական կառավարումը՝ պլանը հուսալիորեն հետևելու համար:.

Ինչպե՞ս են ռոբոտները անվտանգ կերպով հաղթահարում անորոշությունը կամ ցածր վստահությունը։

Լավ նախագծված ռոբոտները անորոշությունը դիտարկում են որպես վարքագծի վրա ազդող գործոն, այլ ոչ թե որպես անտեսման մի բան: Երբ ընկալման կամ տեղայնացման վստահությունը նվազում է, տարածված մոտեցումը դանդաղեցնելն է, անվտանգության սահմանները մեծացնելը, անվտանգ կանգ առնելը կամ մարդկային օգնություն խնդրելը՝ կռահելու փոխարեն: Համակարգերը նաև գրանցում են գործողությունները և համատեքստը, որպեսզի միջադեպերը լինեն աուդիտի ենթակա և ավելի հեշտ շտկվեն: Այս «գեղեցիկ ձախողման» մտածելակերպը ցուցադրական և տեղակայվող ռոբոտների միջև հիմնական տարբերությունն է:.

Ե՞րբ է ուժեղացված ուսուցումը օգտակար ռոբոտների համար, և ի՞նչն է այն դժվարացնում։

Ուժեղացված ուսուցումը հաճախ օգտագործվում է բարդ հմտությունների համար, ինչպիսիք են մանիպուլյացիան կամ տեղաշարժը, որտեղ կառավարիչի ձեռքով նախագծումը ցավոտ է: Այն կարող է բացահայտել արդյունավետ վարքագծեր՝ պարգևատրման վրա հիմնված փորձարկման և սխալի միջոցով, հաճախ սիմուլյացիայի միջոցով: Տեղակայումը բարդանում է, քանի որ ուսումնասիրությունը կարող է անվտանգ չլինել, տվյալները կարող են թանկ լինել, իսկ սիմուլյացիայից իրականի բացերը կարող են խախտել քաղաքականությունը: Շատ խողովակաշարեր ընտրողաբար օգտագործում են RL-ը՝ սահմանափակումների և դասական կառավարման հետ մեկտեղ՝ անվտանգության և կայունության համար:.

Արդյո՞ք հիմնադրամի մոդելները փոխում են, թե ինչպես են ռոբոտները օգտագործում արհեստական ​​բանականությունը։

Հիմքային մոդելի մոտեցումները ռոբոտներին մղում են դեպի ավելի ընդհանուր, հրահանգներին հետևող վարքագիծ, հատկապես տեսողական լեզու-գործողություն (VLA) մոդելների դեպքում, ինչպիսիք են RT-2 ոճի համակարգերը: Դրական կողմը ճկունությունն է. ռոբոտի տեսածը կապում են նրան տրված հրահանգների և այն բանի հետ, թե ինչպես պետք է գործի: Իրականությունն այն է, որ դասական գնահատումը, անվտանգության սահմանափակումները և պահպանողական կառավարումը դեռևս կարևոր են ֆիզիկական հուսալիության համար: Շատ թիմեր սա ձևակերպում են որպես կյանքի ցիկլի ռիսկերի կառավարում, որը ոգով նման է NIST-ի AI RMF-ի նման շրջանակներին:.

Հղումներ

[1] Դուրանտ-Ուայթ և Բեյլի -
Միաժամանակյա տեղայնացում և քարտեզագրում (SLAM). Մաս I. Հիմնական ալգորիթմներ (PDF) [2] Լինչ և Պարկ -
Ժամանակակից ռոբոտաշինություն. Մեխանիկա, պլանավորում և կառավարում (Նախատպված PDF) [3] Սաթոն և Բարտո -
Ուժեղացված ուսուցում. Ներածություն (2-րդ հրատարակության նախագիծ PDF) [4] NIST -
Արհեստական ​​բանականության ռիսկերի կառավարման շրջանակ (AI RMF 1.0) (PDF) [5] Բրոհան և այլք - RT-2. Տեսողություն-լեզու-գործողության մոդելները վեբ գիտելիքները փոխանցում են ռոբոտացված կառավարման (arXiv)

Գտեք արհեստական ​​բանականության վերջին նորույթները պաշտոնական արհեստական ​​բանականության օգնականների խանութում

Մեր մասին

Վերադառնալ բլոգ