KI wird niemals in die Zukunft sehen können, kann jedoch statistische Vorhersagen auf der Grundlage dessen treffen, was sie weiß und zu tun beabsichtigt. Die Roboterentwicklung wird nicht aufhören, weil Technokraten erfinden müssen, ob sie einen guten Grund dafür haben oder nicht. ⁃ TN Editor
Forscher von UC Berkeley haben eine Robotik-Lerntechnologie entwickelt, mit der sich Roboter die Zukunft ihres Handelns vorstellen können, um herauszufinden, wie sie Objekte manipulieren können, auf die sie noch nie zuvor gestoßen sind. Zukünftig könnte diese Technologie dazu beitragen, dass selbstfahrende Autos zukünftige Ereignisse auf der Straße antizipieren und intelligentere Roboterassistenten in Privathaushalten produzieren. Der erste Prototyp konzentriert sich jedoch auf das Erlernen einfacher manueller Fähigkeiten, die vollständig aus dem autonomen Spiel resultieren.
Mit dieser Technologie genannt visuelle Voraussichtkönnen die Roboter vorhersagen, was ihre Kameras sehen, wenn sie einen bestimmten Bewegungsablauf ausführen. Diese Vorstellungen von Robotern sind vorerst noch relativ einfach - Vorhersagen, die nur einige Sekunden in der Zukunft getroffen wurden -, aber sie reichen aus, damit der Roboter herausfinden kann, wie er Objekte auf einem Tisch bewegen kann, ohne Hindernisse zu stören. Entscheidend ist, dass der Roboter lernen kann, diese Aufgaben ohne menschliche Hilfe oder Vorkenntnisse in Bezug auf die Physik, die Umgebung oder die Objekte auszuführen. Das liegt daran, dass die visuelle Vorstellungskraft bei unbeaufsichtigten und unbeaufsichtigten Erkundungen, bei denen der Roboter mit Objekten auf einem Tisch spielt, von Grund auf neu erlernt wird. Nach dieser Spielphase erstellt der Roboter ein Vorhersagemodell der Welt und kann dieses Modell verwenden, um neue Objekte zu manipulieren, die er zuvor noch nicht gesehen hat.
"So wie wir uns vorstellen können, wie unsere Handlungen die Objekte in unserer Umgebung bewegen, kann diese Methode es einem Roboter ermöglichen, zu visualisieren, wie sich unterschiedliche Verhaltensweisen auf die umgebende Welt auswirken", sagte er Sergey Levine, Assistenzprofessor an der Fakultät für Elektrotechnik und Informatik in Berkeley, deren Labor die Technologie entwickelte. "Dies kann eine intelligente Planung von hochflexiblen Fähigkeiten in komplexen realen Situationen ermöglichen."
Das Herzstück dieses Systems ist eine Deep-Learning-Technologie, die auf der konvolutionellen wiederkehrenden Videovorhersage basiert dynamische neuronale Advektion (DNA). DNA-basierte Modelle sagen basierend auf den Aktionen des Roboters voraus, wie sich Pixel in einem Bild von einem Frame zum nächsten bewegen. Durch die jüngsten Verbesserungen dieser Modellklasse sowie die erheblich verbesserten Planungsfunktionen konnte die Robotersteuerung auf der Grundlage der Videovorhersage immer komplexere Aufgaben ausführen, z. B. das Schieben von Spielzeugen um Hindernisse und das Neupositionieren mehrerer Objekte.
wpDiscuz