Některé věci které jako lidé považujeme za jednoduché a běžné, jsou nesmírně náročné pro počítače a roboty. Důvodem ale není daná dovednost, ale množství dat a způsobu učení.
Typickým příkladem je sběr objektů rukama, což se učíme několik let po narození a náš mozek se na obrovském počtu pokusů snaží v rámci vlastní neuronové sítě naučit správnou koordinaci rukou a prstů dle obrazu z očí. A jak prezentovali vědci z robotické laboratoře Googlu, přesně to je ten správný směr, jak vyřešit stejný problém i u robotické paže.
14 robotů a statisíce pokusů
Vědci se dlouho snaží pokročit v oblasti sběru objektů pomocí robotické paže, což je jedna z velmi náročných disciplín robotiky. Pořádá se v ní i pravidelná soutěž pod záštitou Amazonu (Picking Challenge), který by takové řešení mohl do budoucna použít k nahrazení lidí ve vlastních skladech. I když je totiž spousta věcí už zajišťována automaticky a robotickými stroji, výběr předmětů z regálů je stále nutné řešit pomocí člověka, který dokáže předmět rychle rozpoznat, rychle vyndat a dát do balíčku k odeslání.
Aby se urychlil vývoj nového konceptu s využitím hlubokých neuronových sítí (CNN), použilo se celkem 14 dostupných univerzálních robotických paží. Každá z nich obsahuje jednu barevnou kameru (žádný trojrozměrný pohled, pouze 2D obraz) a nastavitelnou robotickou „ruku“ v sedmi směrech se dvěma robotickými „prsty“.
Jednotlivé paže měly vlastní truhlu, ve které byly rozházené různé předměty lišící se velikostí, tvary, barvami, hmotností i materiálem. Každá paže měla navíc mírně odlišné nastavení světla a dalších maličkostí, aby se rozšířila různorodost zpracovávaných dat při učení.
Různé světelné podmínky jednotlivých robotů
Z počátku paže napojené na zmíněné neuronové sítě neumí chytnout a zvednout žádný předmět. Teprve postupným pokusy, kdy se systém učil jaký pohyb je nutný k danému úspěšnému cíli, začaly se statistiky zlepšovat.
Počet pokusů o sbírání objektů byl ale obrovský – teprve po přibližně 800 000 takových pokusů o sebrání se začíná objevovat schopnost pokročilejší inteligence, která už v reálném čase dokáže s velmi vysokou pravděpodobností zachytit jakýkoli předmět pak ho třeba přesunout vedle a úspěšně tak dokončit úkol. Dokonce i takový, který před tím nikdy nebral. Systém se v této fázi i sám naučí například uvolnit cestu k objektu, který chce vzít.
Zlepšování každým dnem
Pokusy běžely každý den několik měsíců, přičemž data z každého dne se použila pro učení na následující den každého samostatného robota. V přepočtu se jednalo o 3 000 hodin učení, což je vzhledem k tomuto náročnému úkolu opravdu hodně dat.
A v tom je hlavní odlišnost od dřívějších přístupů. Jak se pro web Ieee.org vyjádřil Sergey Levine z Googlu, výzkum ukazuje, že v rámci těchto úkonů je efektivnější cesta minimálních znalostí na začátku a samostatné učení z obrovského množství dat, respektive vlastních pokusů. Zjednodušeně řečeno, se téměř odstraňuje programování člověkem a umělá neuronová síť se sama naučí, co potřebuje. Zkrátka „lidský přístup“.
Sbírané předměty byly různého kancelářského charakteru, systémy si ale musely poradit i se zcela novými objekty
Stejně jako u člověka je ale potřeba hodně dat respektive zkušeností k tomu, se dostat na určitou úroveň, která už si poté dokáže rychleji poradit s novějšími případy. A zmíněných 800 000 sebrání předmětů je stále jen začátek, protože cvičení může pokračovat ještě dále.
Zajímavostí totiž je, že se systém sám naučil i specifické techniky uchycení podle druhu materiálu – třeba podle toho, jestli je měkký nebo tvrdý. Ukazuje to na budoucí možnosti, které podobné systémy založené na umělých neuronových sítích budou schopné „vymyslet“ i v rámci složitějších úloh.
Podrobné informace k výzkumu naleznete v oficiálnímu materiálu (PDF).
