Makalah penelitian datang terlalu sering bagi siapa pun untuk membaca semuanya. Itu terutama berlaku di bidang pembelajaran mesin, yang sekarang memengaruhi (dan memproduksi kertas di) hampir setiap industri dan perusahaan. Kolom ini bertujuan untuk mengumpulkan beberapa penemuan dan makalah terbaru yang paling relevan — terutama dalam, tetapi tidak terbatas pada, kecerdasan buatan — dan menjelaskan mengapa itu penting.

Edisi kali ini, kami memiliki banyak item yang berkaitan dengan antarmuka antara AI atau robotika dan dunia nyata. Tentu saja sebagian besar aplikasi dari jenis teknologi ini memiliki aplikasi dunia nyata, tetapi secara khusus penelitian ini adalah tentang kesulitan yang tak terelakkan yang terjadi karena keterbatasan di kedua sisi pembagian real-virtual.

Salah satu masalah yang selalu muncul dalam robotika adalah seberapa lambat sebenarnya hal-hal berjalan di dunia nyata. Tentu saja beberapa robot yang dilatih untuk tugas-tugas tertentu dapat melakukannya dengan kecepatan dan ketangkasan manusia super, tetapi sebagian besar tidak demikian. Mereka perlu memeriksa pengamatan mereka dengan model dunia maya mereka begitu sering sehingga tugas seperti mengambil barang dan meletakkannya bisa memakan waktu beberapa menit.

Yang paling membuat frustrasi tentang hal ini adalah bahwa dunia nyata adalah tempat terbaik untuk melatih robot, karena pada akhirnya mereka akan beroperasi di dalamnya. Salah satu pendekatan untuk mengatasi hal ini adalah dengan meningkatkan nilai setiap jam pengujian dunia nyata yang Anda lakukan, yang merupakan tujuan dari proyek ini di Google.

Dalam posting blog yang agak teknis, tim menjelaskan tantangan dalam menggunakan dan mengintegrasikan data dari banyak robot yang mempelajari dan melakukan banyak tugas. Ini rumit, tetapi mereka berbicara tentang membuat proses terpadu untuk menetapkan dan mengevaluasi tugas, dan menyesuaikan tugas dan evaluasi di masa mendatang berdasarkan itu. Secara lebih intuitif, mereka menciptakan proses di mana kesuksesan pada tugas A meningkatkan kemampuan robot untuk melakukan tugas B, meskipun mereka berbeda.

Manusia melakukannya — mengetahui cara melempar bola dengan baik memberi Anda langkah awal untuk melempar anak panah, misalnya. Memanfaatkan pelatihan dunia nyata yang berharga adalah penting, dan ini menunjukkan bahwa ada lebih banyak pengoptimalan yang dapat dilakukan di sana.

Pendekatan lain adalah meningkatkan kualitas simulasi sehingga lebih dekat dengan apa yang akan dihadapi robot saat membawa pengetahuannya ke dunia nyata. Itulah tujuan Institut Allen untuk lingkungan pelatihan THOR AI dan penghuni terbarunya, ManipulaTHOR.

Kredit Gambar: Institut Allen

Simulator seperti THOR memberikan analog ke dunia nyata di mana AI dapat mempelajari pengetahuan dasar seperti cara menavigasi ruangan untuk menemukan objek tertentu — tugas yang sangat sulit! Simulator menyeimbangkan kebutuhan akan realisme dengan biaya komputasi untuk menyediakannya, dan hasilnya adalah sistem di mana agen robot dapat menghabiskan ribuan “jam” virtual untuk mencoba berbagai hal berulang kali tanpa perlu memasangnya, meminyaki persendiannya, dan sebagainya. pada.