Відео демонструє дивовижні виклики навчання А.І. одягатися

Сканування в футболку може бути одним з небагатьох завдань, які люди здатні зробити, навіть якщо ми ледве прокинулися і все ще чухаємо сон з наших очей. Але той факт, що ми освоїли, як одягнути себе (більш-менш), заперечує, наскільки складним є ряд рухів, необхідних для того, щоб перейти від того, щоб бути в баффі до того, щоб бути досить одягненими, щоб вийти з дверей.

Одна людина, яка розуміє це так само, як і кожен, - це Олексій Клегг, кандидат технічних наук. студент Технологічного інституту Джорджії, який був зосереджений на використанні машинного навчання для технічного інтелекту, як одягатися. Як він розповідає Обернено, а А.І. досить розумний, щоб передбачити, які пацієнти отримають сепсис або як кинути виклик чемпіонам світу у складних стратегічних іграх, навчаючи машинам, як надягати сорочку, виявилося невловимим завданням.

"Тканина складна", - пояснює він електронною поштою. "Він може негайно і різко реагувати на невеликі зміни в положенні тіла і часто стримує рух … Одяг також має тенденцію складати, прилипати і чіплятися за тіло, роблячи відчуття сенсорності чи дотику важливим для завдання".

Так чому, власне, комп'ютер свист намагається зламати як ми влаштовуємося вранці? Клегг пояснив, що існує кілька можливих заявок на А.І. що розуміє оманливе просте уявне мистецтво одягатися. У короткостроковій перспективі висновки Клегга можуть бути використані для того, щоб колись прискорити процес створення реалістичних 3D-анімацій. Але що більш важливо, ці ідеї можуть допомогти привести до створення допоміжних роботів, які допоможуть піклуватися про людей молодих і старих.

Дослідники почали навчання комп'ютеру, як оволодіти рукою в рукав. У статті, яка буде представлена ​​на майбутній конференції SIGGRAPH Asia 2018 про комп'ютерну графіку в грудні, Клегг і його колеги пояснили точну техніку, яку вони використовували, тип машинного навчання, який називається «глибоке посилення навчання».

Мета глибокого підсилення навчання полягає в тому, щоб намагатися навчити роботів, як виконувати певні рухи і завдання, роблячи їх знову і знову. У випадку з одяганням A.I., команда Клегга мала А.І. спостерігати за процесом віртуального середовища, тиражувати його, а потім винагороджувати його, коли він, здавалося, був на правильному шляху.

Клегг пояснив, що їм знадобилося сотні тисяч спроб для того, щоб анімаційний персонаж у формі ковбаси розвивався, щоб навчитися надягати куртку або футболку. Зрештою, їхній бот повинен був навчитися, як сприймати дотик, щоб він міг витягнути сорочку, коли це потрібно. Крім того, вони також повинні були включити фізичний движок, щоб зробити моделювання максимально точним для життя.

Врешті-решт, незграбний, анімований син Клегга встиг дізнатися, як придбати сорочку, навіть якщо він дещо незначно. Тим не менш, результати можуть бути найбільш корисними як докази концепції того, як глибоке навчання може бути використано для вирішення нюансованих проблем.

"Це цікаво уявити собі безліч проблем, які ми можемо вирішити з глибоким підсиленням навчання", - говорить він. "Ми з нетерпінням чекаємо на продовження роботи щодо створення робототехніки та пошуку рішень для великих проблем, які впливають на повсякденне життя багатьох людей".

Перетворення результатів цього дослідження на роботу з робототехнікою займе трохи більше роботи для гармонізації як програмного, так і апаратного аспектів. Але висновки Клегга викладають шлях для дослідників, які зацікавлені у звільненні наших футуристичних доглядачів роботів від їх поточних обмежень.