Алгоритм VOTP позволяет роботам перенимать человеческую оценку физических задач по двум видео
Инженеры из Корейского ведущего института науки и технологий (KAIST) создали алгоритм физического ИИ, который помогает роботам перенимать человеческие критерии оценки физических процессов всего по двум коротким видео. О разработке сообщается со ссылкой на исследование, опубликованное в журнале IEEE Transactions on Robotics.
Авторы пытаются решить давнюю проблему обучения андроидов и беспилотных систем. Обычно такие машины плохо приспосабливаются к меняющимся условиям без огромных массивов данных. Стандартные нейросети приходится обучать на сотнях тыс. примеров, прежде чем робот научится, например, бережно переносить хрупкую посуду или аккуратно двигаться во время хирургической операции. Даже небольшое изменение веса предмета или освещения иногда приводит к критическому сбою программы.
Новый метод назвали VOTP (аббревиатура от Video-to-Object Transport Plan, или видео-объектный транспортный план). Алгоритм сопоставляет движения на видеозаписи с физическими координатами объектов в пространстве и рассчитывает оптимальную траекторию. В экспериментах роботу показали два ролика. На первом человек переливал опасную жидкость из одного сосуда в другой, на втором переносил коробку и старался не задеть углы стола. Роботизированная рука смогла воспроизвести внутреннюю логику этих действий. По данным авторов, точность выполнения сложных пространственных задач выросла на 35% по сравнению со стандартными методами машинного обучения. Исследователи считают, что VOTP пригодится в производстве беспилотных автомобилей, складской логистике и робототехнике, где ИИ должен принимать быстрые и безопасные решения при дефиците данных.
Ключевые факты
Инженеры из Корейского ведущего института науки и технологий (KAIST) разработали алгоритм физического ИИ VOTP (Video-to-Object Transport Plan), позволяющий роботу перенимать критерии оценки физических действий всего по двум коротким видеозаписям.
Обычные нейросети требуют загрузки сотен тыс. примеров для обучения роботам задачам вроде аккуратного переноса хрупких предметов, тогда как новый метод сопоставляет движения на видео с реальными физическими координатами объектов.
В эксперименте роботу показали два ролика: переливание опасной жидкости между сосудами и перенос коробки с учетом углов стола, после чего роботизированная рука воспроизвела логику действий человека.
Точность выполнения сложных пространственных задач роботами выросла на 35% по сравнению со стандартными методами машинного обучения; результаты исследования опубликованы в IEEE Transactions on Robotics.