研究论文发表得太频繁,任何人都无法全部阅读。在机器学习领域尤其如此,它现在几乎影响到(并在其中产生)每个行业和公司。本专栏旨在收集一些最相关的最新发现和论文——尤其是但不限于人工智能领域——并解释它们为何重要中国机械网okmao.com。
这一版,我们有很多关于人工智能或机器人与现实世界之间接口的项目。当然,这类技术的大多数应用都有现实世界的应用,但具体来说,这项研究是关于由于现实与虚拟鸿沟两边的限制而不可避免地出现的困难。
机器人技术中经常出现的一个问题是现实世界中的实际运行速度有多慢。自然,一些接受过某些任务训练的机器人可以以超人的速度和敏捷性完成这些任务,但对大多数人而言并非如此。他们需要频繁地根据他们的虚拟世界模型检查他们的观察结果,以至于诸如拿起和放下物品之类的任务可能需要几分钟时间。
对此特别令人沮丧的是,现实世界是训练机器人的最佳场所,因为最终它们将在其中运行。解决这个问题的一种方法是增加您在现实世界中进行的每小时测试的价值,这是Google的这个项目的目标。
在一篇相当技术性的博客文章中,该团队描述了使用和集成来自多个机器人学习和执行多项任务的数据的挑战。这很复杂,但他们谈论创建一个统一的分配和评估任务的流程,并在此基础上调整未来的分配和评估。更直观地说,他们创建了一个过程,通过该过程,任务 A 的成功提高了机器人完成任务 B 的能力,即使它们不同。
人类会这样做——例如,知道如何把球扔得很好,可以让你在投掷飞镖方面有一个良好的开端。充分利用有价值的现实世界培训很重要,这表明还有很多优化工作要做。
另一种方法是提高模拟的质量,使它们更接近机器人将其知识带到现实世界时会遇到的情况。这就是 Allen Institute for AI 的 THOR 训练环境及其最新用户 ManipulaTHOR 的目标。