Connect with us
https://ainews.site/wp-content/uploads/2021/11/zox-leader.png

Published

on

The Ultimate Managed Hosting Platform

Astratto: Allenare un algoritmo di studio della macchina con informazioni artificiali per la classificazione delle immagini può rivaleggiare con uno istruito su set di dati convenzionali.

Fornitura: MIT

Si vogliono grandi quantità di informazioni per istruire le mode dell’apprendimento automatico per svolgere compiti di classificazione delle immagini, equivalenti a capire le lesioni nella tv satellitare per le fotografie del computer a seguito di una pura catastrofe. Tuttavia, queste informazioni non sono sempre facili da restituire. I set di dati potrebbero costare decine di milioni di {dollari} per la generazione, se in primo luogo esistono informazioni utilizzabili, e anche uno dei migliori set di dati in genere include pregiudizi che influiscono negativamente sull’efficienza di un manichino.

Per aggirare i problemi introdotti dai set di dati, i ricercatori del MIT hanno sviluppato un modo per istruire un manichino per lo studio delle macchine che, piuttosto che utilizzare un set di dati, utilizza un tipo particolare di manichino per l’apprendimento automatico per generare informazioni artificiali straordinariamente realistiche che possono esercitarsi a vicenda manichino per compiti fantasiosi e preveggenti a valle.

I loro risultati mostrano che un’illustrazione contrastante che studia il manichino educato utilizzando esclusivamente queste informazioni artificiali è pronta per studiare rappresentazioni visibili che rivaleggiano e persino superano quelle realizzate dalle informazioni reali.

Questo particolare manichino di apprendimento automatico, denominato manichino generativo, richiede molto meno reminiscenza al rivenditore o alla condivisione rispetto a un set di dati. L’utilizzo di informazioni artificiali ha inoltre il potenziale per aggirare alcuni problemi relativi alla privacy e ai diritti di utilizzo che limitano il modo in cui alcune informazioni effettive potrebbero essere distribuite. Un manichino generativo viene anche modificato per eliminare determinati attributi, come razza o genere, che potrebbero gestire alcuni pregiudizi che esistono nei set di dati convenzionali.

“Sapevamo che questa tecnica alla fine avrebbe dovuto funzionare; volevamo semplicemente assistere affinché queste mode generative diventassero sempre più alte. Tuttavia, siamo stati particolarmente felici una volta che abbiamo confermato che questa tecnica in genere fa anche più del fattore reale”, afferma Ali Jahanian, uno scienziato di analisi all’interno del Pc Science and Synthetic Intelligence Laboratory (CSAIL) e creatore principale dell’articolo.

Jahanian ha scritto il documento con gli studenti universitari CSAIL Xavier Puig e Yonglong Tian, ​​e il creatore senior Phillip Isola, un assistente professore all’interno della Divisione di ingegneria elettrica e scienza dei pc. L’analisi sarà probabilmente introdotta sulla Convenzione mondiale sulle rappresentazioni dello studio.

Produzione di informazioni artificiali

Non appena un manichino generativo è stato istruito su informazioni reali, potrebbe generare informazioni artificiali che potrebbero essere così realistiche da essere quasi indistinguibili dal fattore reale. Il corso di coaching include la visualizzazione del manichino generativo di decine di milioni di fotografie che includono oggetti in una classe specifica (come automobili o gatti), dopodiché apprende come appare un’automobile o un gatto in modo da poter generare oggetti comparabili.

Principalmente lanciando uno scambio, i ricercatori possono utilizzare un manichino generativo preaddestrato per produrre un flusso delicato di fotografie distintive e realistiche che potrebbero essere basate principalmente su queste all’interno del set di dati di coaching del manichino, afferma Jahanian.

Tuttavia, le mode generative sono molto più utili perché scoprono modi per rimodellare le informazioni sottostanti su cui vengono educate, dice. Se il manichino viene istruito sulle fotografie di automobili, potrebbe “pensare” a come sarebbe un’automobile in numerose condizioni – condizioni che non ha visto durante il coaching – dopodiché produrre fotografie che presentano l’automobile in pose, colori o taglie.

Avere un numero di visualizzazioni dell’immagine identica è essenziale per un modo denominato studio contrastante, il luogo in cui un manichino di apprendimento automatico è dimostrato da molte fotografie senza etichetta per studiare quali coppie sono paragonabili o totalmente diverse.

I ricercatori hanno messo in relazione un manichino generativo preaddestrato a un manichino da studio contrastante in un mezzo che ha permesso alle 2 mode di lavorare collettivamente in modo meccanico. Lo studente contrastante potrebbe informare il manichino generativo di fornire visioni totalmente diverse di un oggetto, dopodiché studia per stabilire quell’oggetto da una serie di angolazioni, spiega Jahanian.

“Era come collegare due blocchi di costruzione. Poiché il manichino generativo può fornirci visioni completamente diverse dello stesso fattore, potrebbe eventualmente aiutare la tecnica contrastiva a studiare rappresentazioni più elevate”, afferma.

Anche superiore al fattore reale

I ricercatori contrastano la loro tecnica con una serie di diverse mode di classificazione delle immagini che erano state educate utilizzando informazioni reali e hanno scoperto che la loro tecnica si comportava altrettanto bene, e tipicamente più in alto, delle mode opposte.

Uno dei vantaggi dell’utilizzo di un manichino generativo è che potrebbe, in teoria, creare un’infinita varietà di campioni. Quindi, i ricercatori hanno anche studiato come la varietà di campioni abbia influenzato l’efficienza del manichino. Hanno scoperto che, in alcune situazioni, la produzione di un numero maggiore di campioni distintivi portava a miglioramenti aggiuntivi.

I ricercatori del MIT hanno dimostrato l’utilizzo di un manichino di apprendimento automatico per creare informazioni artificiali, principalmente basate su informazioni reali, che possono essere utilizzate per addestrare un altro manichino per la classificazione delle immagini. Questa immagine mostra esempi delle strategie di trasformazione del manichino generativo. Punteggio: Ali Jahanian, Xavier Puig, Yonglong Tian e il creatore senior Phillip Isola

“Il fattore interessante di queste mode generative è che un’altra persona le ha educate per te. Li scoprirai nei repository online, in modo che tutti possano usarli. E inoltre non devi intervenire all’interno del manichino per ottenere buone rappresentazioni”, dice Jahanian.

Tuttavia, avverte che ci sono alcune limitazioni all’utilizzo delle mode generative. In alcuni casi, queste mode possono rivelare informazioni sull’offerta, che possono rappresentare un pericolo per la privacy. Di solito potrebbero amplificare i pregiudizi all’interno dei set di dati su cui vengono istruiti nel caso in cui non vengano controllati correttamente.

Lui ei suoi collaboratori hanno in programma di gestire queste limitazioni nel lavoro futuro. Un altro spazio che devono scoprire è l’utilizzo di questo metodo per generare istanze nitide che migliorerebbero le mode di studio delle macchine. Le istanze Nook in genere non possono essere realizzate da informazioni effettive. Ad esempio, se i ricercatori stanno allenando un manichino fantasioso e preveggente per computer per un’automobile a guida autonoma, le informazioni reali non includerebbero esempi di un cane e del suo proprietario che operano lungo un’autostrada, quindi il manichino non studierebbe in alcun modo cosa fare su questo stato di cose. La produzione sintetica di tali informazioni sui casi d’angolo potrebbe migliorare l’efficienza delle mode di studio delle macchine in alcune condizioni ad alto rischio.

I ricercatori devono inoltre procedere migliorando le mode generative per consentire loro di comporre fotografie che potrebbero essere molto più raffinate, dice.

Finanziamento: Questa analisi è stata supportata, in parte, dal MIT-IBM Watson AI Lab, dall’america Air Drive Analysis Laboratory e dall’america Air Drive Synthetic Intelligence Accelerator.

Informazioni su queste informazioni sull’analisi dell’IA

Creatore: Abby Abazorius
Fornitura: MIT
Contatto: Abby Abazorius – MIT
Foto: L’immagine è attribuita ad Ali Jahanian, Xavier Puig, Yonglong Tian e al creatore senior Phillip Isola

Analisi autentica: La ricerca può essere letta qui



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultime notizie

Il dispositivo di memoria neuromorfico simula i neuroni e le sinapsi

Published

on

Neuromorphic memory device simulates neurons and synapses

The Ultimate Managed Hosting Platform

Sistema di reminiscenza neuromorfica costituito da strati di reminiscenza sul retro instabili e ad alta non volatilità che emulano rispettivamente le proprietà neuronali e sinaptiche. Punteggio di credito: The Korea Superior Institute of Science and Know-how (KAIST)

I ricercatori hanno segnalato un sistema di reminiscenza neuromorfica di dimensioni nanometriche che emula neuroni e sinapsi contemporaneamente in una cellula unitaria, un altro passo verso il raggiungimento dell’obiettivo del calcolo neuromorfico progettato per imitare accuratamente la mente umana con gadget a semiconduttore.

Obiettivi del calcolo neuromorfico da comprendere (AI) imitando i meccanismi dei neuroni e che compongono il . Impressionati dalle caratteristiche cognitive della mente umana che i sistemi informatici attuali non possono presentare, i gadget neuromorfici sono stati ampiamente studiati. Tuttavia, gli attuali circuiti neuromorfici basati su CMOS (Complementary Steel-Oxide Semiconductor) si limitano a unire neuroni sintetici e sinapsi senza interazioni sinergiche e l’implementazione concomitante di neuroni e sinapsi rimane comunque un problema. Per gestire questi punti, una squadra di analisi guidata dal professor Keon Jae Lee della Divisione di scienza e ingegneria delle forniture ha applicato i meccanismi di lavoro organico delle persone introducendo le interazioni neurone-sinapsi in una singola cellula di reminiscenza, in qualche modo rispetto alla strategia standard di connessione elettrica gadget neuronali e sinaptici sintetici.

Proprio come le carte da gioco di grafica industriale, i gadget sinaptici sostitutivi studiati in precedenza erano tipicamente utilizzati per accelerare i calcoli paralleli, che mostrano chiare variazioni rispetto ai meccanismi operativi della mente umana. La squadra di analisi ha applicato le interazioni sinergiche tra neuroni e sinapsi all’interno del sistema di reminiscenza neuromorfica, emulando i meccanismi della comunità neurale organica. Inoltre, il sistema neuromorfico sviluppato può scambiare circuiti neuronali CMOS avanzati con un unico sistema, offrendo un’eccessiva scalabilità ed efficacia di valore.

La mente umana è costituita da una comunità elegante di 100 miliardi di neuroni e 100 trilioni di sinapsi. Le caratteristiche e gli edifici dei neuroni e delle sinapsi possono cambiare in modo flessibile in linea con gli stimoli esterni, adattandosi all’ambiente circostante. La squadra di analisi ha sviluppato un sistema neuromorfico durante il quale coesistono reminiscenze a breve ea lungo termine utilizzando gadget di reminiscenza instabili e non volatili che imitano rispettivamente i tratti dei neuroni e delle sinapsi. Viene utilizzato un sistema di modifica della soglia come e la reminiscenza del cambiamento di fase viene utilizzata come sistema non volatile. Due gadget a film sottile sono integrati senza elettrodi intermedi, implementando la pratica adattabilità dei neuroni e delle sinapsi all’interno della reminiscenza neuromorfica.

Il dispositivo di memoria neuromorfico simula i neuroni e le sinapsi

Operazione di riqualificazione all’interno dell’array del sistema neuromorfico. a) Grafico schematico che mostra l’impatto della riqualificazione. b) Immagine al microscopio elettronico a scansione dell’array del sistema neuromorfico. c) Esempio di coaching “F” per la riqualificazione dai un’occhiata. d) Evoluzione dello stato di reminiscenza dell’array del sistema neuromorfico per lo schema di coaching e riqualificazione ingenuo. Punteggio di credito: The Korea Superior Institute of Science and Know-how (KAIST)

Il professor Keon Jae Lee ha definito: “I neuroni e le sinapsi lavorano insieme per determinare le caratteristiche cognitive equivalenti alla reminiscenza e allo studio, quindi simulare ciascuna di esse è una componente vitale per l’intelligenza sintetica ispirata al cervello. Il neuromorfico sviluppato il sistema imita inoltre l’impatto di riqualificazione che consente uno studio rapido delle informazioni dimenticate implementando un impatto di suggerimenti costruttivi tra e sinapsi”.

Questa conseguenza, intitolata “Emulazione simultanea della plasticità sinaptica e intrinseca che utilizza una sinapsi memristiva”, è stata stampata all’interno della situazione del 19 maggio 2022 di Comunicazioni sulla natura.


Il team presenta hardware neuromorfico altamente scalabile ispirato al cervello


Informazioni extra:

Sang Hyun Sung et al, Emulazione simultanea della plasticità sinaptica e intrinseca utilizzando una sinapsi memristiva, Comunicazioni sulla natura (2022). DOI: 10.1038/s41467-022-30432-2

Quotazione:
Il sistema di reminiscenza neuromorfica simula neuroni e sinapsi (2022, 20 maggio)
recuperato il 20 maggio 2022
da https://techxplore.com/information/2022-05-neuromorphic-memory-device-simulates-neurons.html

Questo documento è soggetto a copyright. Al di fuori di ogni veridicità di trattamento finalizzata alla ricerca o all’analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale di contenuto viene offerto esclusivamente per funzioni informative.

L'ultima piattaforma di hosting gestito

Collegamento sorgente

Il post Il dispositivo di memoria neuromorfico simula i neuroni e le sinapsi è apparso per la prima volta su Le ultime novità in fatto di intelligenza artificiale | Robotica AI | Notizie sull’apprendimento automatico.

The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultime notizie

Rete neurale per aiutare ecologisti, silvicoltori e operatori di linee elettriche a dimensionare alberi dall’alto – Le ultime novità in materia di intelligenza artificiale | Robotica AI

Published

on

Neural network to help ecologists, foresters and power line operators size up trees from above

The Ultimate Managed Hosting Platform

Hugues Thomas ei suoi collaboratori dell’U of T Institute for Aerospace Research hanno creato una nuovissima tecnica per la navigazione robotica basata principalmente sullo studio approfondito autocontrollato. Punteggio di credito: Safa Jinje

Un gruppo di ricercatori guidato dal professor Tim Barfoot del College of Toronto sta utilizzando una nuova tecnica che consente ai robot di evitare di scontrarsi con gli individui prevedendo le aree a lungo termine di ostacoli dinamici del loro percorso.

La sfida sarà probabilmente introdotta alla Worldwide Convention on Robotics and Automation a Filadelfia alla fine di Might.

I risultati di una simulazione, che non sono altro che peer-reviewed, possono essere trovati sul servizio di prestampa di arXiv.

“Il precetto del nostro lavoro è avere a prevedere cosa faranno le persone in un futuro rapido”, afferma Hugues Thomas, ricercatore post-dottorato nel laboratorio di Barfoot presso l’Istituto di ricerca aerospaziale U of T al College of Utilized Science & Engineering. “Ciò consente al robot di anticipare moderatamente il movimento degli individui che incontra piuttosto che reagire non appena si trova di fronte a questi ostacoli”.

Per risolvere il luogo di manovra, il robot utilizza le mappe della griglia di occupazione spaziotemporale (SOGM). Si tratta di mappe della griglia 3D mantenute all’interno del processore robotico, con ogni cella della griglia 2D contenente i dettagli previsti sull’esercizio in quella casa in un determinato momento. La robotica sceglie le sue azioni future elaborando queste mappe per mezzo degli attuali algoritmi di pianificazione della traiettoria.

Un altro software chiave utilizzato dall’equipaggio è il rilevamento e la portata delicati (lidar), un know-how di rilevamento della distanza molto simile al radar, oltre al fatto che utilizza la delicatezza invece del suono. Ogni ping del lidar crea una certa misura salvata nella reminiscenza del robot. Il lavoro precedente dell’equipaggio ha mirato all’etichettatura di questi fattori in base principalmente alle loro proprietà dinamiche. Questo aiuta il robot a riconoscere vari tipi di oggetti all’interno del suo ambiente.

La comunità SOGM dell’equipaggio è attualmente in grado di riconoscere 4 classi di livello lidar: la parte inferiore; infissi eterni, corrispondenti a tramezzi; questioni mobili ma immobili, corrispondenti a sedie e tavoli; e ostacoli dinamici, corrispondenti agli individui. Non è richiesta alcuna etichettatura umana delle informazioni.

“Con questo lavoro, speriamo di consentire ai robot di navigare per mezzo di aree interne affollate in un metodo più socialmente consapevole”, afferma Barfoot. “Predicendo il luogo in cui andranno gli individui e i diversi oggetti, siamo in grado di pianificare percorsi che anticipano ciò che faranno le parti dinamiche”.

All’interno del documento, l’equipaggio studia i risultati redditizi dell’algoritmo eseguito nella simulazione. Il problema successivo è indicare la relativa efficienza negli ambienti del mondo reale, il luogo in cui le azioni umane saranno difficili da prevedere. Come parte di questo sforzo, l’equipaggio ha esaminato il loro progetto sul terreno principale di U of T’s Myhal Middle for Engineering Innovation & Entrepreneurship, il luogo in cui la robotica era in grado di trasferire i precedenti studenti universitari impegnati.







Punteggio di credito: College di Toronto

“Una volta che sperimentiamo la simulazione, abbiamo broker che sono codificati per una condotta sicura e andranno a un certo livello seguendo la traiettoria migliore per arrivarci”, afferma Thomas. “Tuttavia, non è quello che fanno gli individui nella vita reale”.

Quando le persone si trasferiscono per mezzo di aree, possono affrettarsi o smettere bruscamente di parlare con un’altra persona o cambiare direzione. Per far fronte a questo tipo di condotta, la comunità utilizza un approccio di studio automatico denominato studio autocontrollato.

Lo studio autocontrollato contrasta con il diverso , corrispondente allo studio rafforzato, il luogo in cui l’algoritmo impara a svolgere un’attività massimizzando una nozione di ricompensa in un metodo per tentativi ed errori. Sebbene questa strategia funzioni efficacemente per alcuni compiti, ad esempio un computer che studia per praticare uno sport corrispondente agli scacchi o al Go, non è la cosa migliore per questo tipo di navigazione.

“Insieme a , crei un campo nero che rende oscura la connessione tra l’ingresso, ciò che vede il robot, e l’uscita, o fa il robot”, afferma Thomas. “Potrebbe inoltre richiedere che il robotico fallisca molti casi prima di apprendere le chiamate corrette e non avevamo bisogno del nostro robotico per studiare andando a sbattere contro gli individui”.

Al contrario, lo studio autocontrollato è facile e comprensibile, il che significa che è più semplice vedere come la robotica sta facendo le sue scelte. Questa strategia può anche essere moderatamente incentrata sul punto piuttosto che sull’oggetto, il che suggerisce che la comunità ha una migliore interpretazione della conoscenza del sensore crudo, consentendo previsioni multimodali.

“Molte strategie convenzionali rilevano gli individui come oggetti personali particolari e creano traiettorie per loro. Tuttavia, poiché il nostro manichino è incentrato sul punto, il nostro algoritmo non quantifica gli individui come oggetti di una persona particolare, tuttavia riconosce le aree in cui devono essere gli individui. E se hai un gruppo più numeroso di individui, il regno diventerà più grande”, afferma Thomas.

“Questa analisi offre un percorso promettente che avrebbe implicazioni costruttive in aree corrispondenti alla guida autonoma e alla fornitura robotica, il luogo in cui un’ambientazione non è del tutto prevedibile”.

Prima o poi, la troupe desidera vedere se amplierà la propria comunità per studiare spunti più delicati dalle parti dinamiche di una scena.

“Questo può richiedere molte più conoscenze di coaching”, afferma Barfoot. “Ma sicuramente deve essere fattibile perché ci siamo prefissati di generare le informazioni in un metodo computerizzato aggiuntivo: il luogo in cui il robotico può raccogliere conoscenze extra durante la navigazione, praticare mode predittive più elevate quando non è in funzione, dopodiché usa queste la volta successiva naviga in un’area.


Un modello per migliorare la capacità dei robot di consegnare oggetti agli esseri umani


Informazioni extra:

Hugues Thomas, Matthieu Gallet de Saint Aurin, Jian Zhang, Timothy D. Barfoot, Studiare le mappe della griglia di occupazione spaziotemporale per la navigazione permanente in scene dinamiche. arXiv:2108.10585v2 [cs.RO], doi.org/10.48550/arXiv.2108.10585

Quotazione:
I ricercatori progettano robot “socialmente consapevoli” che possono anticipare e tenersi lontani dagli individui durante il trasferimento (2022, 18 maggio)
recuperato il 19 maggio 2022
da https://techxplore.com/information/2022-05-socially-aware-robots-safely-people.html

Questo documento è soggetto a copyright. A parte ogni onesto trattamento a fini di esame o analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale contenuto viene fornito esclusivamente per funzioni informative.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultime notizie

Nuovo metodo per eliminare gli attacchi informatici in meno di un secondo – L’ultima novità nell’intelligenza artificiale | Robotica AI

Published

on

New method to kill cyberattacks in less than a second

The Ultimate Managed Hosting Platform

Hugues Thomas ei suoi collaboratori dell’U of T Institute for Aerospace Research hanno creato una nuovissima tecnica per la navigazione robotica basata principalmente sullo studio approfondito autocontrollato. Punteggio di credito: Safa Jinje

Un gruppo di ricercatori guidato dal professor Tim Barfoot del College of Toronto sta utilizzando una nuova tecnica che consente ai robot di evitare di scontrarsi con gli individui prevedendo le aree a lungo termine di ostacoli dinamici del loro percorso.

La sfida sarà probabilmente introdotta alla Worldwide Convention on Robotics and Automation a Filadelfia alla fine di Might.

I risultati di una simulazione, che non sono altro che peer-reviewed, possono essere trovati sul servizio di prestampa di arXiv.

“Il precetto del nostro lavoro è avere a prevedere cosa faranno le persone in un futuro rapido”, afferma Hugues Thomas, ricercatore post-dottorato nel laboratorio di Barfoot presso l’Istituto di ricerca aerospaziale U of T al College of Utilized Science & Engineering. “Ciò consente al robot di anticipare moderatamente il movimento degli individui che incontra piuttosto che reagire non appena si trova di fronte a questi ostacoli”.

Per risolvere il luogo di manovra, il robot utilizza le mappe della griglia di occupazione spaziotemporale (SOGM). Si tratta di mappe della griglia 3D mantenute all’interno del processore robotico, con ogni cella della griglia 2D contenente i dettagli previsti sull’esercizio in quella casa in un determinato momento. La robotica sceglie le sue azioni future elaborando queste mappe per mezzo degli attuali algoritmi di pianificazione della traiettoria.

Un altro software chiave utilizzato dall’equipaggio è il rilevamento e la portata delicati (lidar), un know-how di rilevamento della distanza molto simile al radar, oltre al fatto che utilizza la delicatezza invece del suono. Ogni ping del lidar crea una certa misura salvata nella reminiscenza del robot. Il lavoro precedente dell’equipaggio ha mirato all’etichettatura di questi fattori in base principalmente alle loro proprietà dinamiche. Questo aiuta il robot a riconoscere vari tipi di oggetti all’interno del suo ambiente.

La comunità SOGM dell’equipaggio è attualmente in grado di riconoscere 4 classi di livello lidar: la parte inferiore; infissi eterni, corrispondenti a tramezzi; questioni mobili ma immobili, corrispondenti a sedie e tavoli; e ostacoli dinamici, corrispondenti agli individui. Non è richiesta alcuna etichettatura umana delle informazioni.

“Con questo lavoro, speriamo di consentire ai robot di navigare per mezzo di aree interne affollate in un metodo più socialmente consapevole”, afferma Barfoot. “Predicendo il luogo in cui andranno gli individui e i diversi oggetti, siamo in grado di pianificare percorsi che anticipano ciò che faranno le parti dinamiche”.

All’interno del documento, l’equipaggio studia i risultati redditizi dell’algoritmo eseguito nella simulazione. Il problema successivo è indicare la relativa efficienza negli ambienti del mondo reale, il luogo in cui le azioni umane saranno difficili da prevedere. Come parte di questo sforzo, l’equipaggio ha esaminato il loro progetto sul terreno principale di U of T’s Myhal Middle for Engineering Innovation & Entrepreneurship, il luogo in cui la robotica era in grado di trasferire i precedenti studenti universitari impegnati.







Punteggio di credito: College di Toronto

“Una volta che sperimentiamo la simulazione, abbiamo broker che sono codificati per una condotta sicura e andranno a un certo livello seguendo la traiettoria migliore per arrivarci”, afferma Thomas. “Tuttavia, non è quello che fanno gli individui nella vita reale”.

Quando le persone si trasferiscono per mezzo di aree, possono affrettarsi o smettere bruscamente di parlare con un’altra persona o cambiare direzione. Per far fronte a questo tipo di condotta, la comunità utilizza un approccio di studio automatico denominato studio autocontrollato.

Lo studio autocontrollato contrasta con il diverso , corrispondente allo studio rafforzato, il luogo in cui l’algoritmo impara a svolgere un’attività massimizzando una nozione di ricompensa in un metodo per tentativi ed errori. Sebbene questa strategia funzioni efficacemente per alcuni compiti, ad esempio un computer che studia per praticare uno sport corrispondente agli scacchi o al Go, non è la cosa migliore per questo tipo di navigazione.

“Insieme a , crei un campo nero che rende oscura la connessione tra l’ingresso, ciò che vede il robot, e l’uscita, o fa il robot”, afferma Thomas. “Potrebbe inoltre richiedere che il robotico fallisca molti casi prima di apprendere le chiamate corrette e non avevamo bisogno del nostro robotico per studiare andando a sbattere contro gli individui”.

Al contrario, lo studio autocontrollato è facile e comprensibile, il che significa che è più semplice vedere come la robotica sta facendo le sue scelte. Questa strategia può anche essere moderatamente incentrata sul punto piuttosto che sull’oggetto, il che suggerisce che la comunità ha una migliore interpretazione della conoscenza del sensore crudo, consentendo previsioni multimodali.

“Molte strategie convenzionali rilevano gli individui come oggetti personali particolari e creano traiettorie per loro. Tuttavia, poiché il nostro manichino è incentrato sul punto, il nostro algoritmo non quantifica gli individui come oggetti di una persona particolare, tuttavia riconosce le aree in cui devono essere gli individui. E se hai un gruppo più numeroso di individui, il regno diventerà più grande”, afferma Thomas.

“Questa analisi offre un percorso promettente che avrebbe implicazioni costruttive in aree corrispondenti alla guida autonoma e alla fornitura robotica, il luogo in cui un’ambientazione non è del tutto prevedibile”.

Prima o poi, la troupe desidera vedere se amplierà la propria comunità per studiare spunti più delicati dalle parti dinamiche di una scena.

“Questo può richiedere molte più conoscenze di coaching”, afferma Barfoot. “Ma sicuramente deve essere fattibile perché ci siamo prefissati di generare le informazioni in un metodo computerizzato aggiuntivo: il luogo in cui il robotico può raccogliere conoscenze extra durante la navigazione, praticare mode predittive più elevate quando non è in funzione, dopodiché usa queste la volta successiva naviga in un’area.


Un modello per migliorare la capacità dei robot di consegnare oggetti agli esseri umani


Informazioni extra:

Hugues Thomas, Matthieu Gallet de Saint Aurin, Jian Zhang, Timothy D. Barfoot, Studiare le mappe della griglia di occupazione spaziotemporale per la navigazione permanente in scene dinamiche. arXiv:2108.10585v2 [cs.RO], doi.org/10.48550/arXiv.2108.10585

Quotazione:
I ricercatori progettano robot “socialmente consapevoli” che possono anticipare e tenersi lontani dagli individui durante il trasferimento (2022, 18 maggio)
recuperato il 19 maggio 2022
da https://techxplore.com/information/2022-05-socially-aware-robots-safely-people.html

Questo documento è soggetto a copyright. A parte ogni onesto trattamento a fini di esame o analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale contenuto viene fornito esclusivamente per funzioni informative.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Trending