Команда инженеров во главе с Майклом Йипом, профессором электротехники и вычислительной техники и членом Института контекстной робототехники Калифорнийского университета в Сан-Диего, представит новый алгоритм на первой ежегодной конференции по обучению роботов с 13 по 15 ноября в штаб-квартире Google. в Маунтин-Вью, Калифорния. На конференцию только по приглашениям приглашаются ведущие ученые в области машинного обучения. Команда Ипа проведет один из долгих переговоров в течение 3-дневной конференции.Команда предполагает, что Fastron будет широко полезен для роботов, которые работают в среде человека, где они должны иметь возможность плавно работать с движущимися объектами и людьми.
Одно из приложений, которое они изучают, в частности, — хирургические операции с использованием роботов с использованием хирургической системы да Винчи, в которых роботизированная рука будет автономно выполнять вспомогательные задачи (отсасывание, ирригация или оттягивание ткани назад), не мешая управляемым хирургом рукам и т. Д. органы пациента.«Этот алгоритм может помочь роботу-ассистенту безопасно сотрудничать в хирургии», — сказал Ип.Команда также предполагает, что Fastron можно использовать для роботов, которые работают дома для приложений с обслуживанием, а также для компьютерной графики в игровой и киноиндустрии, где проверка столкновений часто является узким местом для большинства алгоритмов.
Проблема с существующими алгоритмами обнаружения столкновений заключается в том, что они очень требовательны к вычислениям. Они тратят много времени на определение всех точек в заданном пространстве — конкретной трехмерной геометрии робота и препятствий — и выполнение проверок столкновений в каждой отдельной точке, чтобы определить, пересекаются ли два тела в любой момент времени. Когда препятствия движутся, вычисления становятся еще более сложными.Чтобы облегчить вычислительную нагрузку, Ип и его команда из Лаборатории передовой робототехники и управления (ARClab) Калифорнийского университета в Сан-Диего разработали минималистичный подход к обнаружению столкновений.
Результатом стал Fastron, алгоритм, который использует стратегии машинного обучения, которые традиционно используются для классификации объектов, для классификации конфликтов и отсутствия конфликтов в динамических средах. «На самом деле нам не нужно знать всю конкретную геометрию и точки. Все, что нам нужно знать, — это столкновение робота в текущем положении или нет», — сказал Нихил Дас, доктор технических наук. студент группы Ипа и первый автор исследования.Название Fastron происходит от сочетания Fast и Perceptron, которое представляет собой метод машинного обучения для выполнения классификации. Важной особенностью Fastron является то, что он очень быстро обновляет свои границы классификации, чтобы приспособиться к движущимся сценам, что было сложной задачей для сообщества машинного обучения в целом.
Стратегия активного обучения Fastron работает с использованием обратной связи. Он начинается с создания модели пространства конфигурации робота, или C-пространства, которое представляет собой пространство, показывающее все возможные положения, которых может достичь робот. Fastron моделирует C-пространство, используя лишь разреженный набор точек, состоящий из небольшого числа так называемых точек столкновения и точек без столкновений. Затем алгоритм определяет границу классификации между точками столкновения и точками без столкновений — эта граница, по сути, является грубым контуром того, где абстрактные препятствия находятся в C-пространстве.
По мере движения препятствий границы классификации меняются. Вместо того, чтобы выполнять проверки на конфликты в каждой точке C-пространства, как это делается с другими алгоритмами, Fastron разумно выбирает проверки вблизи границ. Как только он классифицирует конфликты и отсутствие конфликтов, алгоритм обновляет свой классификатор и затем продолжает цикл.Поскольку модели Fastron более упрощены, исследователи установили более консервативную проверку столкновений.
Дас объяснил, что, поскольку всего несколько точек представляют все пространство, не всегда ясно, что происходит в пространстве между двумя точками, поэтому команда разработала алгоритм для прогнозирования столкновения в этом пространстве. «Мы склонялись к созданию модели, избегающей риска, и существенно преодолели препятствия на рабочем месте», — сказал Дас. Это гарантирует, что робот может быть настроен на более консервативный подход в чувствительных средах, таких как хирургия, или для роботов, которые работают дома для ухода за детьми.Команда до сих пор демонстрировала алгоритм в компьютерном моделировании роботов и препятствиях в моделировании.
Двигаясь вперед, команда работает над дальнейшим улучшением скорости и точности Fastron. Их цель — внедрить Fastron в роботизированную хирургию и роботов для ухода на дому.Название статьи: «Fastron: модель на основе онлайн-обучения и стратегия активного обучения для обнаружения конфликтов прокси».
Авторы исследования — Никхил Дас, Наман Гупта и Майкл Йип из Лаборатории передовой робототехники и управления (ARClab) Калифорнийского университета в Сан-Диего.