Οι εξελίξεις στη μηχανική μάθηση έχουν οδηγήσει σε μια σειρά από χρήσιμες δυνατότητες στον τομέα της ρομποτικής, όπως το πιάσιμο, η ώθηση, το τράβηγμα και άλλες δεξιότητες χειρισμού των αντικειμένων. Ωστόσο, οι αλγόριθμοι γενικού σκοπού μέχρι σήμερα είναι εξαιρετικά αναποτελεσματικοί, περιορίζοντας αισθητά την εφαρμογή τους στον πραγματικό κόσμο.
Με αφορμή αυτή την ιδιομορφία, οι ερευνητές του Πανεπιστημίου Μπέρκλεϋ της Καλιφόρνιας ανέπτυξαν ένα νέο πλαίσιο για αποτελεσματική ρομποτική διαχείριση αντικειμένων (FERM) που αξιοποιεί τεχνολογίες αιχμής για τη δημιουργία ποιοτικότερων αλγορίθμων που σχετίζονται με ρομποτικούς βραχίονες, ώστε να εκτελούν γρηγορότερα και με ασφάλεια τα καθήκοντα που έχουν αναλάβει, όπως και τις νέες εργασίες που θα τους ανατεθούν στο μέλλον.
Οι ερευνητές της παρούσας μελέτης εξηγούν πως αρκούν μόνο 10 επιδείξεις που ανέρχονται σε 15 έως 50 λεπτά πραγματικού χρόνου προπόνησης, σε ένα ρομποτικό βραχίονα ώστε να μπορεί να μάθει να επιλέγει, να πιάνει, να μετακινεί και να τραβάει μεγάλα αντικείμενα, να ανοίγει ένα διακόπτη όπως και να ανοίγει ένα συρτάρι χρησιμοποιώντας το FERM (Framework for Efficient Robotic Manipulation).
Παρόλο που πολύς κόσμος πιστεύει ότι τα ρομποτικά μηχανήματα θα αντικαταστήσουν τους εργαζόμενους, μία πρόσφατη έκθεση που διεξήχθη σε συνεργασία του Manufacturing Institute και της Deloitte διαπίστωσε ότι 4,6 εκατομμύρια θέσεις εργασίας στον κατασκευαστικό τομέα εκτιμάται ότι θα καλυφθούν από ανθρώπους εργαζόμενους μέχρι το τέλος της τρέχουσας δεκαετίας. Βέβαια είναι αυτονόητο πως τα ρομποτικά μηχανήματα έχουν την ικανότητα να προβαίνουν σε πιο γρήγορες διεργασίες, χωρίς να κουράζονται και δίχως να παραπονιούνται σε αντίθεση με τους ανθρώπους στο αντίστοιχο πόστο εργασίας.
Το FERM θα μπορούσε να συμβάλει στην επιτάχυνση της μετάβασης προς τον αυτοματισμό, ακολουθώντας την πρακτική της ενισχυτικής μάθησης (pixel-based reinforcement learning), έναν τύπο μηχανικής μάθησης στον οποίο οι αλγόριθμοι μαθαίνουν να ολοκληρώνουν εργασίες από καταγεγραμμένες επιδείξεις του παρελθόντος. Δηλαδή από τα δεδομένα που έχει καταχωρήσει στο σύστημα ο διαχειριστής του ρομποτικού μηχανήματος.
Όπως εξηγούν οι ερευνητές σε ένα άρθρο τους, το FERM αρχικά συλλέγει τα δεδομένα για έναν μικρό αριθμό επιδείξεων και έπειτα τα αποθηκεύει σε ένα «replay buffer». Ένας αλγόριθμος μηχανικής μάθησης που επί της ουσίας πρόκειται για κωδικοποιητής ώστε να κατανοήσει πως θα λειτουργεί από δω και στο εξής.
Σύμφωνα με τους ερευνητές, το FERM είναι εύκολο να δημιουργηθεί καθώς απαιτεί μόνο ένα ρομπότ, μια κάρτα γραφικών, δύο κάμερες, μερικές μόνο εκπαιδευτικές επιδείξεις μέσα από τα δεδομένα και μία ειδική λειτουργία εντολών για να καθοδηγεί τον αλγόριθμο της ενισχυτικής μάθησης για να πραγματοποιεί ομαλά τον επιθυμητό στόχο και σκοπό. Σε πειράματα, λένε ότι το FERM επέτρεψε σε ένα xArm να μάθει έξι εργασίες εντός 25 λεπτών μέσω αυτής της διαδικασίας (που αντιστοιχεί σε 20 έως 80 ωριαίες συνεδρίες εκπαίδευσης) με μέσο ποσοστό επιτυχίας 96,7%.
«Από τις μέχρι τώρα υπάρχουσες τεχνικές μάθησης των ρομποτικών βραχιόνων, το FERM είναι η πρώτη μέθοδος για την διεξαγωγή ενός διαφορετικού συνόλου ρομποτικών εργασιών που εκ των πραγμάτων βοηθάει το μηχάνημα να μαθαίνει γρηγορότερα, αποφεύγοντας τις πολύωρες συνεδρίες εκπαίδευσης, κάτι που τυπικά συνεπάγεται με επιπλέον εργατικές ώρες των υπαλλήλων που θα εκπαιδεύουν το σύστημα και περαιτέρω κόστος. Λόγω του περιορισμένου απαιτούμενου επιπέδου παρακολούθησης και παρέμβαση από τον άνθρωπο, η δουλειά αυτόματα μας καθίσταται εξαιρετικά σημαντική με θετική συνέπεια να ανοίγει συναρπαστικούς δρόμους για την εφαρμογή της ενισχυτικής μάθησης ενίσχυσης σε πραγματικά ρομπότ με γρήγορο και πιο αποτελεσματικό τρόπο».
. Οι εξελίξεις στη μηχανική μάθηση){kind=link}