MIT robotai diskutuoja apie robotikos, duomenų ir skaičiavimo ateitį

Nuo pat įkūrimo robotikos pramonė stengėsi kurti mašinas, kurios galėtų atlikti sudėtingas užduotis, derinant matematinius modelius su pažangiais skaičiavimais. Dabar bendruomenė atsiduria, kaip geriausiai pasiekti tą tikslą.

Grupė robotikų iš viso pasaulio ištyrė šią atskirtį IEEE tarptautinėje robotikos ir automatikos konferencijoje šiais metais. Spektaklis uždarytas diskusijomis tarp šešių pirmaujančių robotų:

• Daniela Rus, kuri yra CSAIL direktorė ir Andrew (1956) bei Ernos Viterbi elektros inžinerijos ir informatikos profesorė. Šių metų pradžioje RUS taip pat pateikė „Robotics Summit & Expo“.
• Russ Tedrake, kuris yra „Toyota“ profesorius CSAL, EECS ir Aeronautikos bei astronautikos katedra.
• Leslie Kaelling, kuri yra „Panasonic“ informatikos ir inžinerijos profesorius MIT.
• Aude Billard, Šveicarijos federalinio technologijos instituto Lozanos inžinerijos mokyklos profesorius (EPFL).
• Frankas Park, Seulo nacionalinio universiteto mechanikos inžinerijos profesorius.
• Animesh Garg, Stephenas Flemingas ankstyvasis karjeros docentas iš „Georgia Tech“ interaktyvaus skaičiavimo mokyklos.

UC Berkeley Kenas Goldbergas moderavo diskusijas, apibrėždamas diskusiją klausimu: „Ar robotikos ateitis bus parašyta kodu ar duomenimis?“

Pirmojo duomenų duomenų argumentas

Daniela Rus pasakoja pagrindinį pokalbį „Robotics Summit & Expo“.

Rusas ir Tedrake'as teigė, kad duomenų pagrįsti metodai, ypač tie, kuriuos maitina didelio masto mašinų mokymasis, yra labai svarbūs norint atrakinti robotų gebėjimą patikimai funkcionuoti realiame pasaulyje.

„Fizika suteikia mums švarius kontroliuojamos aplinkos modelius, tačiau tuo metu, kai mes išeiname į lauką, tos prielaidos žlunga“, – teigė Rusas. „Realaus pasaulio užduotys yra nenuspėjamos ir orientuotos į žmogų. Robotams reikia patirties, kad būtų galima prisitaikyti, ir tai kyla iš duomenų.“

„Csail“ „Rus“ paskirstytoje robotikos laboratorijoje priėmė šį mąstymą. Komanda kuria daugiamodalinius žmonių duomenų rinkinius, atliekančius kasdienes užduotis, pradedant virimo ir liejimu, baigiant daiktų perdavimu. Rusas teigė, kad šie įrašai užfiksuoja žmogaus veiksmo subtilybes, pradedant rankų trajektorijomis ir sąnarių sukimo momentais, žvelgiant į žvilgsnį ir verčiant sąveiką, suteikiant turtingą duomenų apie AI sistemas šaltinį.

Tikslas yra ne tik robotai atkartoti veiksmus, bet ir suteikti jiems galimybę apibendrinti užduotis ir prisitaikyti, kai keičiasi sąlygos.

Pavyzdžiui, „Csail“ virtuvėje „Csail“ bandoma „Rus“ komanda savanoriams suteikia jutikliams, kol jie pjausto daržoves, pila skysčius ir surinko patiekalus. Jutikliai užfiksuoja ne tik sąnario ir raumenų judesius, bet ir subtilius užuominas, tokias kaip akių žvilgsnis, pirštų galiukų slėgis ir objektų sąveika.

AI modeliai, apmokyti šiais duomenimis, gali tiksliai atlikti tas pačias užduotis apie robotus tiksliai ir tvirtai, išmokti atsigauti, kai ingredientai paslysta ar įrankiai netinkamai. Šie realaus pasaulio duomenų rinkiniai leidžia tyrėjams užfiksuoti „ilgos uodegos“ scenarijus-reti, bet kritiški įvykiai, kurių praleistų vien modeliuose pagrįstas programavimas.

https://www.youtube.com/watch?v=w-l90bhfdfo

Duomenys mastu gali pakeisti manipuliaciją

„Tedrake“ aptarė, kaip mastelio keitimo duomenys paverčia manipuliavimu robotu. Jo komanda išmokė robotus atlikti niūrias užduotis, tokias kaip obuolių pjaustymas, įvairių rezultatų stebėjimas ir atsigavimas po klaidų.

„Robotai dabar kuria tai, kas atrodo kaip sveikas protas, atliekant degus užduotis“, – sakė jis. „Tai tas pats efektas, kurį matėme kalboje ir vizijoje: Kai tik keičiate duomenis, atsiranda stebinantis tvirtumas“.

Viename pavyzdyje jis parodė bimanualinį robotą su paprastais griebtuvais, kurie išmoko šalinti ir supjaustyti obuolius. Kiekvienas obuolys šiek tiek skyrėsi pagal dydį, tvirtumą ar formą, tačiau robotas pritaikė automatiškai, koreguodamas sukibimą ir pjaustymo judesius, atsižvelgiant į ankstesnę patirtį.

Tedrake paaiškino, kad, kai demonstracinis duomenų rinkinys išsiplėtė atliekant įvairias užduotis, atkūrimo elgesys-rankiniu būdu užprogramuotas-natūraliai atsiranda, kad duomenys gali koduoti subtilias, aukšto lygio sveiko proto žinias apie fizinę sąveiką.

Matematiniai modeliai pateikiami teoriniu supratimu

Renginyje taip pat kalbėjęs Kaelbling taip pat ginčijosi kartu su Billardu ir Parku dėl nuolatinės matematinių modelių, pirmųjų principų ir teorinio supratimo svarbos.

„Duomenys gali parodyti mums modelius, tačiau modeliai suteikia mums supratimo“, – teigė Kaelbling. „Be modelių mes rizikuojame sistemomis, kurios veikia, kol jos staiga ne. Saugos kritinės programos reikalauja kažko gilesnio nei mokymasis bandymų ir klaidų.“

Billard'as teigė, kad robotika iš esmės skiriasi nuo regėjimo ar kalbos: realaus pasaulio duomenys nedaug, modeliavimas išlieka ribotas, o užduotys apima begalinį kintamumą. Nors dideli duomenų rinkiniai skatino suvokimo ir natūralios kalbos supratimo pažangą, ji perspėjo, kad aklai mastelio duomenys be pagrindinės struktūros rizikos sukuria trapias sistemas.

Park pabrėžė indukcinių fizikos ir biologijos šališkumo turtingumą-judesio, jėgos, atitikties ir hierarchinės kontrolės principus-vien tik duomenimis pagrįsti metodai negali visiškai užfiksuoti. Jis pažymėjo, kad kruopščiai suprojektuoti modeliai gali vadovauti duomenų rinkimui ir aiškinimui, padedant užtikrinti saugumą, efektyvumą ir tvirtumą atliekant sudėtingas užduotis.

Rasti vidurį

Tuo tarpu GARG sujungė duomenų pagrįsto mokymosi sujungimo su struktūrizuotais modeliais pranašumus. Jis pabrėžė, kad nors dideli duomenų rinkiniai gali atskleisti modelius ir elgesį, modeliai yra būtini norint apibendrinti šias įžvalgas ir priversti juos įgyvendinti.

„Geriausias kelias į priekį gali būti hibridinis požiūris“, – sakė jis, „kur mes panaudojame duomenų mastą, laikydamiesi modelių teikiamų apribojimų ir įžvalgų“.

Gargas tai iliustravo pavyzdžiais iš bendradarbiavimo manipuliavimo užduočių, kai robotai mokėsi vien dėl neapdorotų duomenų kovojant su kraštutiniais atvejais, kurių gali numatyti fizika pagrįstas modelis.

Diskusijos taip pat rėmė istorines paraleles. Žmonija dažnai įgijo „žinių“ prieš „žinok, kodėl“. Nuo buriavimo laivų ir vidaus degimo variklių iki lėktuvų ir ankstyvųjų kompiuterių inžinieriai rėmėsi empiriniais stebėjimais dar ilgai, kol visiškai suprato pagrindinius mokslinius principus.

Rusas ir Tedrake'as teigė, kad šiuolaikinė robotika seka panašią trajektoriją: Duomenys leidžia robotams įgyti praktinės patirties nepatogioje, nenuspėjamoje aplinkoje, o modeliai suteikia struktūrą, reikalingą šiam patirčiai interpretuoti ir apibendrinti. Pasak jų, šis derinys yra būtinas pereiti nuo laboratorijoje susijusių eksperimentų prie robotų, galinčių veikti namuose, ligoninėse ir kitose realaus pasaulio sąlygose.

Minties įvairovė yra robotikos stiprybė

Visos diskusijose komisijos nariai pabrėžė pačios robotikos srities įvairovę. Nors gilus mokymasis pakeitė suvokimo ir kalbos užduotis, robotika apima daugybę iššūkių. Tai apima didelio matmens kontrolę, kintančią žmogaus aplinką, sąveiką su deformuojamais objektais ir saugumo kritinius apribojimus.

Tedrake pažymėjo, kad didelių iš anksto apmokytų modelių pritaikymas tiesiogiai kalboje yra nepakankamas; Sėkmei reikalingas multimodalinis mokymasis ir jutiklių integracija, užfiksuojanti jėgas, judesį ir lytėjimo grįžtamąjį ryšį.

RUS pridūrė, kad didelių duomenų rinkinių kūrimas keliose robotų platformose yra labai svarbus apibendrinimui. „Jei norime, kad robotai veiktų įvairiuose namuose, ligoninėse ar gamyklose, turime užfiksuoti realaus pasaulio įvairovę ir nenuspėjamumą“, – sakė ji.

„Robotikos sprendimas yra ilgalaikė darbotvarkė“,-atspindėjo Tedrake. “Tai gali užtrukti dešimtmečius. Tačiau pačios diskusijos yra sveikos. Tai reiškia, kad mes išbandome savo prielaidas ir galandime savo įrankius. Tiesa yra ta, kad turbūt reikės ir duomenų, ir modelių, tačiau kurie imasi vadovauti, o kada lieka nerimą.”

https://www.youtube.com/watch?v=pfvctjompk8