loading...

azaval

بازدید : 558
سه شنبه 13 خرداد 1399 زمان : 10:07

یک سیستم یادگیری جدید که توسط محققان MIT ساخته شده است ، توانایی روبات ها را در قالب دادن مواد به شکل های هدف و پیش بینی در مورد تعامل با اشیاء جامد و مایعات بهبود می بخشد. این سیستم که به عنوان یک شبیه ساز ذرات مبتنی بر یادگیری شناخته می شود ، می تواند به روبات های صنعتی لمس بیشتری ببخشد و ممکن است برنامه های کاربردی سرگرم کننده ای در روباتیک های شخصی داشته باشد ، مانند مدل سازی اشکال رس و یا نورد برنج چسبنده برای سوشی.


در برنامه رباتیک ، شبیه سازهای فیزیکی مدل هایی هستند که نحوه واکنش مواد مختلف به زور را ضبط می کنند. روبات ها با استفاده از مدل ها "آموزش" می گیرند تا نتایج تعامل آنها با اشیاء ، مانند فشار دادن یک جعبه محکم یا خم کردن رس های قابل تغییر را پیش بینی کنند. اما شبیه سازهای مبتنی بر یادگیری عمدتاً روی اجسام سفت و سخت تمرکز می کنند و قادر به کنترل مایعات یا اشیاء نرم تر نیستند. برخی از شبیه سازهای دقیق تر مبتنی بر فیزیک می توانند مواد متنوعی را تحمل کنند ، اما به تکنیکهای تقریبی تکیه دارند که هنگام تعامل روبات ها با اشیاء در دنیای واقعی ، خطاها را معرفی می کنند.

محققان در مقاله ای که در ماه مه در کنفرانس بین المللی نمایندگی های یادگیری ارائه شد ، الگوی جدیدی را توصیف می کنند که یاد می گیرد چگونه بخش های کمی از مواد مختلف - "ذرات" را ضبط می کند وقتی که آنها را لمس می کنند و تولید می کنند. این مدل در مواردی که فیزیک اساسی حرکات نامشخص یا ناشناخته باشد ، مستقیماً از داده ها یاد می گیرد. سپس روبات ها می توانند از مدل به عنوان راهنما برای پیش بینی چگونگی واکنش مایعات و مواد سفت و سخت و قابل تغییر در برابر نیروی لمس آن استفاده کنند. از آنجا که ربات اشیاء را کنترل می کند ، این مدل همچنین به اصلاح بیشتر کنترل ربات کمک می کند.

بیشتر بخوانید: مدل ساختار پمپ وکیوم خلاء

در آزمایشات ، یک دست رباتیک با دو انگشت به نام با دقت یک فوم تغییر شکل پذیر را به یک شکل دلخواه - مانند شکل "T" شکل داد که به عنوان یک پروکسی برای برنج سوشی عمل می کند. به طور خلاصه ، مدل محققان به عنوان نوعی از مغز "فیزیک بصری" عمل می کند که روبات ها می توانند برای بازسازی اشیاء سه بعدی تا حدودی مشابه آنچه انسانها انجام می دهند ، اهرم کنند.

"انسانها یک مدل فیزیک بصری در ذهن ما دارند که در آن می توان تصور کرد که اگر یک فشار یا فشار وارد کنیم ، چگونه یک شیء رفتار خواهد کرد. بر اساس این مدل بصری ، انسانها می توانند کارهای دستکاری شگفت انگیزی را انجام دهند که بسیار فراتر از دسترس ربات های فعلی است." می گوید نویسنده اول Yunzhu Li ، دانشجوی فارغ التحصیل آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL). "ما می خواهیم این نوع الگوی بصری را برای روبات ها بسازیم تا آنها را قادر به انجام کارهایی کند که انسانها می توانند انجام دهند."



جیاجون وو ، دانشجوی فارغ التحصیل CSAIL ، می گوید: "هنگامی که کودکان 5 ماهه هستند ، آنها در حال حاضر انتظارات متفاوتی از مواد جامد و مایعات دارند." "این چیزی است که ما در سنین کودکی می شناسیم ، بنابراین شاید این چیزی باشد که باید برای ربات ها الگوبرداری کنیم."

پیوستن به لی و وو بر روی کاغذ عبارتند از: Russ Tedrake ، یک محقق CSAIL و استاد گروه مهندسی برق و علوم کامپیوتر (EECS). جوشوا Tenenbaum ، استاد گروه مغز و علوم شناختی؛ و آنتونیو تورالبا ، استاد ایزو و مدیر آزمایشگاه MIT-IBM Watson AI.


نمودارهای پویا

یک نوآوری اساسی در پشت این مدل با نام "شبکه تعامل ذرات" (DPI-Nets) ایجاد نمودارهای تعامل پویا است که از هزاران گره و لبه تشکیل شده است که می توانند رفتارهای پیچیده ای از اصطلاح ذرات را ضبط کنند. در نمودارها ، هر گره یک ذره را نشان می دهد. گره های همسایه با استفاده از لبه های کارگردانی با یکدیگر متصل می شوند ، که بیانگر تعامل عبور از یک ذره به بخش دیگر است. در شبیه ساز ، ذرات صدها کره کوچک تشکیل شده اند تا مقداری مایع یا یک ماده تغییر شکل پذیر تشکیل شوند.

نمودارها به عنوان پایه ای برای سیستم یادگیری ماشینی بنام شبکه عصبی گراف ساخته می شوند. در آموزش ، این مدل با گذشت زمان می آموزد که چگونه ذرات در مواد مختلف واکنش و تغییر شکل می دهند. این کار را با محاسبه ضمنی خواص مختلف برای هر ذره - مانند جرم و خاصیت ارتجاعی آن - انجام می دهد تا پیش بینی کند که آیا ذره ذرات در هنگام شکسته شدن در نمودار حرکت می کنند.

سپس این مدل از تکنیک "انتشار" استفاده می کند ، که بلافاصله سیگنال را در سراسر نمودار پخش می کند. محققان این روش را برای هر نوع مواد - سفت ، تغییر شکل و مایع - به منظور شلیک سیگنالی که موقعیت ذرات را در مراحل زمانی افزایشی خاص پیش بینی می کند ، سفارشی کردند. در هر مرحله ، در صورت نیاز ذرات را جابجا کرده و مجدداً وصل می کند.

به عنوان مثال ، اگر یک جعبه جامد هل داده شود ، ذرات آشفته به جلو منتقل می شوند. از آنجا که تمام ذرات داخل جعبه به سختی با یکدیگر در ارتباط هستند ، هر ذره دیگر در جسم همان فاصله محاسبه شده ، چرخش و هر بعد دیگر را حرکت می دهد. اتصالات ذرات دست نخورده باقی مانده و جعبه به عنوان یک واحد حرکت می کند. اما اگر ناحیه‌ای از کف قابل تغییر شکل غیب شود ، اثر متفاوت خواهد بود. ذرات آشفته بسیار زیاد به جلو حرکت می کنند ، ذرات اطراف فقط کمی به جلو حرکت می کنند و ذرات دورتر به هیچ وجه حرکت نمی کنند. با ریختن مایعات در یک فنجان ، ذرات ممکن است به طور کامل از یک انتهای نمودار به طرف دیگر پرش کنند. نمودار باید آموخت که پیش بینی کند که همه ذرات تحت تأثیر چه مکان هایی حرکت می کنند ، که از نظر محاسباتی پیچیده است.

شکل دادن و سازگاری

در مقاله خود ، محققان این مدل را با تکلیف ربات دو انگشت RiceGrip با بستن اشکال هدف از فوم تغییر شکل پذیر نشان داده اند. این ربات ابتدا از یک دوربین سنجش عمق و تکنیک های تشخیص شیء برای شناسایی کف استفاده می کند. محققان به طور تصادفی ذرات موجود در شکل درک شده را برای شروع موقعیت ذرات انتخاب می کنند. سپس ، این مدل لبه های بین ذرات را اضافه می کند و کف را در یک نمودار پویا که برای مواد تغییر شکل تنظیم شده است ، بازسازی می کند.

به دلیل شبیه سازیهای آموخته شده ، ربات از قبل ایده خوبی دارد که چگونه هر لمسی با توجه به مقدار مشخصی از نیرو ، روی هر یک از ذرات موجود در نمودار تأثیر خواهد گذاشت. به عنوان ربات شروع می شود تورفتگی فوم، آن را تکرار منطبق بر موقعیت واقعی جهان از ذرات به موقعیت هدف قرار ذرات. هر وقت ذرات تراز نمی شوند ، سیگنال خطایی را به مدل ارسال می کند. این سیگنال مدل را ترسیم می کند تا با فیزیک دنیای واقعی این ماده بهتر مطابقت داشته باشد.

در مرحله بعد ، محققان هدف از بهبود مدل برای کمک به روبات ها را در پیش بینی تعامل بهتر با سناریوهای جزئی قابل مشاهده ، مانند دانستن چگونگی حرکت شمع جعبه در هنگام فشار قرار می دهند ، حتی اگر فقط جعبه های سطح قابل مشاهده باشند و بیشتر جعبه های دیگر قابل مشاهده هستند. پنهان

محققان همچنین در حال کشف راههای ترکیب مدل با یک ماژول ادراک پایان به پایان با کارکرد مستقیم بر روی تصاویر هستند. این یک پروژه مشترک با گروه دن یامینز خواهد بود. یامین به تازگی دوره دکتری خود را در MIT به پایان رسانده و هم اکنون استادیار دانشگاه استنفورد است. وو می گوید: "شما همیشه با این موارد برخورد می کنید که تنها اطلاعات جزئی وجود دارد." "ما در حال گسترش مدل خود هستیم تا پویایی همه ذرات را بیاموزیم ، در حالی که فقط شاهد بخش کوچکی هستیم."

یک سیستم یادگیری جدید که توسط محققان MIT ساخته شده است ، توانایی روبات ها را در قالب دادن مواد به شکل های هدف و پیش بینی در مورد تعامل با اشیاء جامد و مایعات بهبود می بخشد. این سیستم که به عنوان یک شبیه ساز ذرات مبتنی بر یادگیری شناخته می شود ، می تواند به روبات های صنعتی لمس بیشتری ببخشد و ممکن است برنامه های کاربردی سرگرم کننده ای در روباتیک های شخصی داشته باشد ، مانند مدل سازی اشکال رس و یا نورد برنج چسبنده برای سوشی.


در برنامه رباتیک ، شبیه سازهای فیزیکی مدل هایی هستند که نحوه واکنش مواد مختلف به زور را ضبط می کنند. روبات ها با استفاده از مدل ها "آموزش" می گیرند تا نتایج تعامل آنها با اشیاء ، مانند فشار دادن یک جعبه محکم یا خم کردن رس های قابل تغییر را پیش بینی کنند. اما شبیه سازهای مبتنی بر یادگیری عمدتاً روی اجسام سفت و سخت تمرکز می کنند و قادر به کنترل مایعات یا اشیاء نرم تر نیستند. برخی از شبیه سازهای دقیق تر مبتنی بر فیزیک می توانند مواد متنوعی را تحمل کنند ، اما به تکنیکهای تقریبی تکیه دارند که هنگام تعامل روبات ها با اشیاء در دنیای واقعی ، خطاها را معرفی می کنند.

محققان در مقاله ای که در ماه مه در کنفرانس بین المللی نمایندگی های یادگیری ارائه شد ، الگوی جدیدی را توصیف می کنند که یاد می گیرد چگونه بخش های کمی از مواد مختلف - "ذرات" را ضبط می کند وقتی که آنها را لمس می کنند و تولید می کنند. این مدل در مواردی که فیزیک اساسی حرکات نامشخص یا ناشناخته باشد ، مستقیماً از داده ها یاد می گیرد. سپس روبات ها می توانند از مدل به عنوان راهنما برای پیش بینی چگونگی واکنش مایعات و مواد سفت و سخت و قابل تغییر در برابر نیروی لمس آن استفاده کنند. از آنجا که ربات اشیاء را کنترل می کند ، این مدل همچنین به اصلاح بیشتر کنترل ربات کمک می کند.

بیشتر بخوانید: مدل ساختار پمپ وکیوم خلاء

در آزمایشات ، یک دست رباتیک با دو انگشت به نام با دقت یک فوم تغییر شکل پذیر را به یک شکل دلخواه - مانند شکل "T" شکل داد که به عنوان یک پروکسی برای برنج سوشی عمل می کند. به طور خلاصه ، مدل محققان به عنوان نوعی از مغز "فیزیک بصری" عمل می کند که روبات ها می توانند برای بازسازی اشیاء سه بعدی تا حدودی مشابه آنچه انسانها انجام می دهند ، اهرم کنند.

"انسانها یک مدل فیزیک بصری در ذهن ما دارند که در آن می توان تصور کرد که اگر یک فشار یا فشار وارد کنیم ، چگونه یک شیء رفتار خواهد کرد. بر اساس این مدل بصری ، انسانها می توانند کارهای دستکاری شگفت انگیزی را انجام دهند که بسیار فراتر از دسترس ربات های فعلی است." می گوید نویسنده اول Yunzhu Li ، دانشجوی فارغ التحصیل آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL). "ما می خواهیم این نوع الگوی بصری را برای روبات ها بسازیم تا آنها را قادر به انجام کارهایی کند که انسانها می توانند انجام دهند."



جیاجون وو ، دانشجوی فارغ التحصیل CSAIL ، می گوید: "هنگامی که کودکان 5 ماهه هستند ، آنها در حال حاضر انتظارات متفاوتی از مواد جامد و مایعات دارند." "این چیزی است که ما در سنین کودکی می شناسیم ، بنابراین شاید این چیزی باشد که باید برای ربات ها الگوبرداری کنیم."

پیوستن به لی و وو بر روی کاغذ عبارتند از: Russ Tedrake ، یک محقق CSAIL و استاد گروه مهندسی برق و علوم کامپیوتر (EECS). جوشوا Tenenbaum ، استاد گروه مغز و علوم شناختی؛ و آنتونیو تورالبا ، استاد ایزو و مدیر آزمایشگاه MIT-IBM Watson AI.


نمودارهای پویا

یک نوآوری اساسی در پشت این مدل با نام "شبکه تعامل ذرات" (DPI-Nets) ایجاد نمودارهای تعامل پویا است که از هزاران گره و لبه تشکیل شده است که می توانند رفتارهای پیچیده ای از اصطلاح ذرات را ضبط کنند. در نمودارها ، هر گره یک ذره را نشان می دهد. گره های همسایه با استفاده از لبه های کارگردانی با یکدیگر متصل می شوند ، که بیانگر تعامل عبور از یک ذره به بخش دیگر است. در شبیه ساز ، ذرات صدها کره کوچک تشکیل شده اند تا مقداری مایع یا یک ماده تغییر شکل پذیر تشکیل شوند.

نمودارها به عنوان پایه ای برای سیستم یادگیری ماشینی بنام شبکه عصبی گراف ساخته می شوند. در آموزش ، این مدل با گذشت زمان می آموزد که چگونه ذرات در مواد مختلف واکنش و تغییر شکل می دهند. این کار را با محاسبه ضمنی خواص مختلف برای هر ذره - مانند جرم و خاصیت ارتجاعی آن - انجام می دهد تا پیش بینی کند که آیا ذره ذرات در هنگام شکسته شدن در نمودار حرکت می کنند.

سپس این مدل از تکنیک "انتشار" استفاده می کند ، که بلافاصله سیگنال را در سراسر نمودار پخش می کند. محققان این روش را برای هر نوع مواد - سفت ، تغییر شکل و مایع - به منظور شلیک سیگنالی که موقعیت ذرات را در مراحل زمانی افزایشی خاص پیش بینی می کند ، سفارشی کردند. در هر مرحله ، در صورت نیاز ذرات را جابجا کرده و مجدداً وصل می کند.

به عنوان مثال ، اگر یک جعبه جامد هل داده شود ، ذرات آشفته به جلو منتقل می شوند. از آنجا که تمام ذرات داخل جعبه به سختی با یکدیگر در ارتباط هستند ، هر ذره دیگر در جسم همان فاصله محاسبه شده ، چرخش و هر بعد دیگر را حرکت می دهد. اتصالات ذرات دست نخورده باقی مانده و جعبه به عنوان یک واحد حرکت می کند. اما اگر ناحیه‌ای از کف قابل تغییر شکل غیب شود ، اثر متفاوت خواهد بود. ذرات آشفته بسیار زیاد به جلو حرکت می کنند ، ذرات اطراف فقط کمی به جلو حرکت می کنند و ذرات دورتر به هیچ وجه حرکت نمی کنند. با ریختن مایعات در یک فنجان ، ذرات ممکن است به طور کامل از یک انتهای نمودار به طرف دیگر پرش کنند. نمودار باید آموخت که پیش بینی کند که همه ذرات تحت تأثیر چه مکان هایی حرکت می کنند ، که از نظر محاسباتی پیچیده است.

شکل دادن و سازگاری

در مقاله خود ، محققان این مدل را با تکلیف ربات دو انگشت RiceGrip با بستن اشکال هدف از فوم تغییر شکل پذیر نشان داده اند. این ربات ابتدا از یک دوربین سنجش عمق و تکنیک های تشخیص شیء برای شناسایی کف استفاده می کند. محققان به طور تصادفی ذرات موجود در شکل درک شده را برای شروع موقعیت ذرات انتخاب می کنند. سپس ، این مدل لبه های بین ذرات را اضافه می کند و کف را در یک نمودار پویا که برای مواد تغییر شکل تنظیم شده است ، بازسازی می کند.

به دلیل شبیه سازیهای آموخته شده ، ربات از قبل ایده خوبی دارد که چگونه هر لمسی با توجه به مقدار مشخصی از نیرو ، روی هر یک از ذرات موجود در نمودار تأثیر خواهد گذاشت. به عنوان ربات شروع می شود تورفتگی فوم، آن را تکرار منطبق بر موقعیت واقعی جهان از ذرات به موقعیت هدف قرار ذرات. هر وقت ذرات تراز نمی شوند ، سیگنال خطایی را به مدل ارسال می کند. این سیگنال مدل را ترسیم می کند تا با فیزیک دنیای واقعی این ماده بهتر مطابقت داشته باشد.

در مرحله بعد ، محققان هدف از بهبود مدل برای کمک به روبات ها را در پیش بینی تعامل بهتر با سناریوهای جزئی قابل مشاهده ، مانند دانستن چگونگی حرکت شمع جعبه در هنگام فشار قرار می دهند ، حتی اگر فقط جعبه های سطح قابل مشاهده باشند و بیشتر جعبه های دیگر قابل مشاهده هستند. پنهان

محققان همچنین در حال کشف راههای ترکیب مدل با یک ماژول ادراک پایان به پایان با کارکرد مستقیم بر روی تصاویر هستند. این یک پروژه مشترک با گروه دن یامینز خواهد بود. یامین به تازگی دوره دکتری خود را در MIT به پایان رسانده و هم اکنون استادیار دانشگاه استنفورد است. وو می گوید: "شما همیشه با این موارد برخورد می کنید که تنها اطلاعات جزئی وجود دارد." "ما در حال گسترش مدل خود هستیم تا پویایی همه ذرات را بیاموزیم ، در حالی که فقط شاهد بخش کوچکی هستیم."

نظرات این مطلب

تعداد صفحات : -1

درباره ما
موضوعات
لینک دوستان
آمار سایت
  • کل مطالب : 43
  • کل نظرات : 0
  • افراد آنلاین : 1
  • تعداد اعضا : 0
  • بازدید امروز : 13
  • بازدید کننده امروز : 1
  • باردید دیروز : 0
  • بازدید کننده دیروز : 0
  • گوگل امروز : 0
  • گوگل دیروز : 0
  • بازدید هفته : 14
  • بازدید ماه : 18
  • بازدید سال : 27
  • بازدید کلی : 15759
  • <
    پیوندهای روزانه
    آرشیو
    اطلاعات کاربری
    نام کاربری :
    رمز عبور :
  • فراموشی رمز عبور؟
  • خبر نامه


    معرفی وبلاگ به یک دوست


    ایمیل شما :

    ایمیل دوست شما :



    کدهای اختصاصی