محققان دانشگاه میشیگان در گامی به سمت روبات های یك خانه كه می توانند به سرعت در فضاهای غیرقابل پیش بینی و بی نظم حرکت كنند ، الگوریتمی را توسعه داده اند كه به ماشین ها اجازه می دهد تا از محیط های خود مرتباً سریعتر از روش های قبلی استفاده كنند.
کارتیک دسینگ ، دانشجوی فارغ التحصیل رشته علوم کامپیوتر و مهندسی و نویسنده اصلی مقاله در مورد کار منتشر شده در Science Robotics ، گفت: درک ربات یکی از بزرگترین تنگناها در تهیه روبات های کمکی توانمند است که می توانند در منازل افراد مستقر شوند .
"در محیط های صنعتی ، جایی که ساختار وجود دارد ، روبات ها می توانند کارهایی مانند ساختن ماشین را خیلی سریع انجام دهند. اما ما در محیط های غیرساختمانی زندگی می کنیم و ما می خواهیم روبات ها بتوانند با درهم و برهمی ما کنار بیایند."
از نظر تاریخی ، روبات ها به طور مؤثر در محیط های ساخت یافته ، در پشت ریل های محافظ یا قفس برای ایمن نگه داشتن انسان و فضای کاری این روبات تمیز و منظم کار می کنند. با این حال ، محیط زیست انسان ، محل کار یا خانه معمولاً نوعی اشیاء در حالتهای مختلف است: مقالات روی صفحه کلید ، کیسه های پنهان کردن کلیدهای ماشین یا پیش بند مخفیگاه های نیمه باز.
الگوریتم جدید این تیم با نام Pull Message Passing برای تبلیغات غیرپارامتری اعتقاد نامگذاری شده است. در 10 دقیقه می تواند درک دقیقی از موقعیت یک موقعیت یا موقعیت و جهت گیری یک سطح از دقت را انجام دهد که رویکردهای قبلی بیش از یک ساعت و نیم طول می کشد.
این تیم این کار را با یک ربات Fetch نشان دادند. آنها نشان دادند كه الگوریتم آنها می تواند به طور صحیح مجموعه ای از زیر شلوار را حتی در صورت پوشیده بودن از پتو ، وقتی كه یك كشو نیمه باز است ، یا وقتی بازوی ربات خود در حال پنهان كردن است ، یك سنسور كامل از كشوها را بدرستی درک و استفاده كند. این الگوریتم همچنین می تواند فراتر از یک کمد ساده به یک شی با مفاصل پیچیده متعدد بپردازد. آنها نشان دادند كه این روبات می تواند بدن خود و بازوی گریپس را به دقت درك كند.
"مفاهیم موجود در الگوریتم ما ، مانند Nonparametric Believe Propagation ، قبلاً در بینایی رایانه ای استفاده شده اند و بسیار خوب در ضبط عدم قطعیت های دنیای ما عمل می کنند. چاد جنکینز ، استاد علوم کامپیوتر و مهندسی کامپیوتر و عضو هیئت علمی هسته اصلی موسسه روباتیک میشیگان گفت: "عملی نیست تا یک ربات تعاملی برای کمک به کارهای روزمره."
تکنیک های قبلی به "پیام رسانی فشار" متکی بودند
تکنیک انتشار غیرپارامتری اعتقاد به همراه تکنیک ارسال پیام ذرات مشابه برای اولین بار در سال 2003 منتشر شد. به این دلیل است که تصاویر یا فیلم های دو بعدی نسبت به صحنه های سه بعدی درگیر در درک ربات به قدرت و زمان محاسباتی کمتری نیاز دارند.
این رویکردهای اولیه با ترجمه آن به یک الگوی گرافیکی از گره ها و لبه ها ، صحنه ای را درک می کنند که نشان دهنده هر یک از اجزای یک شی و روابط آنها بین یکدیگر است. الگوریتم ها سپس به مجموعه ای از محدودیت ها ، فرضیه ها را ایجاد می کنند یا به مکانها و جهت گیری های مؤلفه می پردازند. این عقاید ، که محققان ذرات می نامند ، در طیف وسیعی از احتمالات متفاوت است.
برای محدود کردن محتمل ترین مکان ها و جهت گیری ها ، مؤلفه ها از "پیام رسانی فشار" استفاده می کنند تا اطلاعات مکان احتمالی را از طریق گره ها و پشت ارسال کنند. سپس اطلاعات مکان با داده های سنسور مقایسه می شود. این روند چندین تکرار طول می کشد تا در نهایت به یک باور دقیق از یک صحنه برسیم.
به عنوان مثال ، با توجه به یک کمد با سه کشو ، هر یک از اجزای شیء - در این حالت ، هر کشو و خود کمد - یک گره خواهد بود. محدودیت این است که کشوها باید در کمد باشند و کشوها به صورت عمودی حرکت کنند.
اطلاعات موجود در بین گره ها ، با مشاهدات واقعی از سنسورها ، مانند تصویر 2 بعدی و ابر 3 بعدی ارائه می شود. پیام ها از طریق تکرار تکرار می شوند تا زمانی که بین باورها و داده های سنسور توافق حاصل شود.
الگوریتم های جدید به "کشیدن پیام" پمپ وکیوم تغییر می کنند
برای ساده کردن خواسته های مربوط به محاسبات ، دسینگ و تیم میشیگان از آنچه به عنوان "ارسال پیام" نامیده می شوند استفاده کردند. رویکرد آنها کاکوفونی پیامهای متراکم و پراهمیت را به مکالمه مختصر بین اجزای یک شی تبدیل می کند.
در این مثال ، به جای اینکه کمد اطلاعات را فقط پس از محاسبه اطلاعات سایر کشوها ، به محل کشو ارسال کند ، کمد ابتدا با کشوها را بررسی می کند. این از هر کشو می خواهد که اعتقاد خود را در مورد مکان خود داشته باشد ، سپس با دقت ، این باور را در برابر اطلاعات سایر کشوها وزن کند. این دقیقاً همانطور که رویکرد فشار ، درک دقیقی از صحنه را از طریق تکرار اتفاق می دهد.
برای مقایسه مستقیم رویکرد جدید خود با رویکردهای قبلی ، آنها آن را در یک صحنه ساده 2 بعدی از یک دایره با چهار بازوی مستطیل پنهان شده در میان الگوی دایره ها و مستطیل های مشابه آزمایش کردند.
رویکردهای قبلی برای ارسال پیام به بیش از 20 دقیقه زمان پردازش نیاز داشت ، در حالی که روش جدید تیم کمتر از دو دقیقه طول می کشد و با افزایش تعداد اعتقادات یا ذرات ، این پیشرفت از نظر نمایی سریعتر می شود.
محققان دانشگاه میشیگان در گامی به سمت روبات های یك خانه كه می توانند به سرعت در فضاهای غیرقابل پیش بینی و بی نظم حرکت كنند ، الگوریتمی را توسعه داده اند كه به ماشین ها اجازه می دهد تا از محیط های خود مرتباً سریعتر از روش های قبلی استفاده كنند.
کارتیک دسینگ ، دانشجوی فارغ التحصیل رشته علوم کامپیوتر و مهندسی و نویسنده اصلی مقاله در مورد کار منتشر شده در Science Robotics ، گفت: درک ربات یکی از بزرگترین تنگناها در تهیه روبات های کمکی توانمند است که می توانند در منازل افراد مستقر شوند .
"در محیط های صنعتی ، جایی که ساختار وجود دارد ، روبات ها می توانند کارهایی مانند ساختن ماشین را خیلی سریع انجام دهند. اما ما در محیط های غیرساختمانی زندگی می کنیم و ما می خواهیم روبات ها بتوانند با درهم و برهمی ما کنار بیایند."
از نظر تاریخی ، روبات ها به طور مؤثر در محیط های ساخت یافته ، در پشت ریل های محافظ یا قفس برای ایمن نگه داشتن انسان و فضای کاری این روبات تمیز و منظم کار می کنند. با این حال ، محیط زیست انسان ، محل کار یا خانه معمولاً نوعی اشیاء در حالتهای مختلف است: مقالات روی صفحه کلید ، کیسه های پنهان کردن کلیدهای ماشین یا پیش بند مخفیگاه های نیمه باز.
الگوریتم جدید این تیم با نام Pull Message Passing برای تبلیغات غیرپارامتری اعتقاد نامگذاری شده است. در 10 دقیقه می تواند درک دقیقی از موقعیت یک موقعیت یا موقعیت و جهت گیری یک سطح از دقت را انجام دهد که رویکردهای قبلی بیش از یک ساعت و نیم طول می کشد.
این تیم این کار را با یک ربات Fetch نشان دادند. آنها نشان دادند كه الگوریتم آنها می تواند به طور صحیح مجموعه ای از زیر شلوار را حتی در صورت پوشیده بودن از پتو ، وقتی كه یك كشو نیمه باز است ، یا وقتی بازوی ربات خود در حال پنهان كردن است ، یك سنسور كامل از كشوها را بدرستی درک و استفاده كند. این الگوریتم همچنین می تواند فراتر از یک کمد ساده به یک شی با مفاصل پیچیده متعدد بپردازد. آنها نشان دادند كه این روبات می تواند بدن خود و بازوی گریپس را به دقت درك كند.
"مفاهیم موجود در الگوریتم ما ، مانند Nonparametric Believe Propagation ، قبلاً در بینایی رایانه ای استفاده شده اند و بسیار خوب در ضبط عدم قطعیت های دنیای ما عمل می کنند. چاد جنکینز ، استاد علوم کامپیوتر و مهندسی کامپیوتر و عضو هیئت علمی هسته اصلی موسسه روباتیک میشیگان گفت: "عملی نیست تا یک ربات تعاملی برای کمک به کارهای روزمره."
تکنیک های قبلی به "پیام رسانی فشار" متکی بودند
تکنیک انتشار غیرپارامتری اعتقاد به همراه تکنیک ارسال پیام ذرات مشابه برای اولین بار در سال 2003 منتشر شد. به این دلیل است که تصاویر یا فیلم های دو بعدی نسبت به صحنه های سه بعدی درگیر در درک ربات به قدرت و زمان محاسباتی کمتری نیاز دارند.
این رویکردهای اولیه با ترجمه آن به یک الگوی گرافیکی از گره ها و لبه ها ، صحنه ای را درک می کنند که نشان دهنده هر یک از اجزای یک شی و روابط آنها بین یکدیگر است. الگوریتم ها سپس به مجموعه ای از محدودیت ها ، فرضیه ها را ایجاد می کنند یا به مکانها و جهت گیری های مؤلفه می پردازند. این عقاید ، که محققان ذرات می نامند ، در طیف وسیعی از احتمالات متفاوت است.
برای محدود کردن محتمل ترین مکان ها و جهت گیری ها ، مؤلفه ها از "پیام رسانی فشار" استفاده می کنند تا اطلاعات مکان احتمالی را از طریق گره ها و پشت ارسال کنند. سپس اطلاعات مکان با داده های سنسور مقایسه می شود. این روند چندین تکرار طول می کشد تا در نهایت به یک باور دقیق از یک صحنه برسیم.
به عنوان مثال ، با توجه به یک کمد با سه کشو ، هر یک از اجزای شیء - در این حالت ، هر کشو و خود کمد - یک گره خواهد بود. محدودیت این است که کشوها باید در کمد باشند و کشوها به صورت عمودی حرکت کنند.
اطلاعات موجود در بین گره ها ، با مشاهدات واقعی از سنسورها ، مانند تصویر 2 بعدی و ابر 3 بعدی ارائه می شود. پیام ها از طریق تکرار تکرار می شوند تا زمانی که بین باورها و داده های سنسور توافق حاصل شود.
الگوریتم های جدید به "کشیدن پیام" پمپ وکیوم تغییر می کنند
برای ساده کردن خواسته های مربوط به محاسبات ، دسینگ و تیم میشیگان از آنچه به عنوان "ارسال پیام" نامیده می شوند استفاده کردند. رویکرد آنها کاکوفونی پیامهای متراکم و پراهمیت را به مکالمه مختصر بین اجزای یک شی تبدیل می کند.
در این مثال ، به جای اینکه کمد اطلاعات را فقط پس از محاسبه اطلاعات سایر کشوها ، به محل کشو ارسال کند ، کمد ابتدا با کشوها را بررسی می کند. این از هر کشو می خواهد که اعتقاد خود را در مورد مکان خود داشته باشد ، سپس با دقت ، این باور را در برابر اطلاعات سایر کشوها وزن کند. این دقیقاً همانطور که رویکرد فشار ، درک دقیقی از صحنه را از طریق تکرار اتفاق می دهد.
برای مقایسه مستقیم رویکرد جدید خود با رویکردهای قبلی ، آنها آن را در یک صحنه ساده 2 بعدی از یک دایره با چهار بازوی مستطیل پنهان شده در میان الگوی دایره ها و مستطیل های مشابه آزمایش کردند.
رویکردهای قبلی برای ارسال پیام به بیش از 20 دقیقه زمان پردازش نیاز داشت ، در حالی که روش جدید تیم کمتر از دو دقیقه طول می کشد و با افزایش تعداد اعتقادات یا ذرات ، این پیشرفت از نظر نمایی سریعتر می شود.
تعویض توربین های بادی در دانمارک تمرکز خود را به ابررساناها معطوف می کند