谷歌提供新框架帮助机器人规划路线自主远程出行谷歌风钻
谷歌机器人研究部门在一篇博客文章中表示,他们正在研究如何让机器人自己进行长距离移动。研究科学家Aleksandra Faust和机器人软件工程师Anthony Francis表示:“仅在美国,就有300万人患有行动障碍,无法出门,机器可以帮助行动不便的人做一些简单的事情,比如拿食品、药品或包裹等。”
在某种程度上,通过使用强化学习(RL)可以做到这一点,这是一种人工智能训练技术,它利用奖励来驱动个体朝着目标前进。福斯特、弗朗西斯和他的同事们将强化学习与长距离规划路线结合起来,编出能够安全穿越短距离(约15米)且不会撞上移动障碍物的程序。他们利用AutoRL,一个自动搜索强化学习奖励和神经网络架构的工具,在模拟环境中进行训练,再使用经过训练的程序构建路线图,或由节点(位置)和边组成图。
使用传统RL方法的训练,仍存在许多问题,比如它需要花费时间迭代和手工调整奖励,并在人工智能架构方面不够明智,更不用说减轻遗忘,这种现象是指人工智能系统在学习新信息时,突然忘记了以前学过的信息。
AutoRL试图通过两个阶段来解决这个问题,奖励搜索和神经网络架构搜索。在阶段, 每个奖励功能略有不同,在这个阶段的后,通常会选择将带到其目的地的奖励。神经网络架构搜索阶段本质上是阶段的重复,但使用选定的奖励来优化网络,并对累积奖励进行优化。
这个自动化的训练过程,可以减轻模型的遗忘情况,并且与现有技术相比,由此产生的策略的质量更高(导航任务的质量提高了26%),它们甚至足够强大,可以在非结构化环境中引导机器人。
AutoRL制定的策略,对本地导航很有帮助,但远程导航就需要用到概率路线图了,它们是基于采样的规划器的一个子类,对机器人的姿态进行采样,创建符合机器人特性的路线图。
福斯特和弗朗西斯解释说:“首先,我们在一个通用的模拟训练环境中对机器人进行训练,训练一个本地规划策略。再根据该策略构建一个PRM,称为PRM-rl,它位于部署环境的平铺图之上,相同的平面图可以用于任何机器人。”
为了评估PRM-RL,谷歌的研究人员使用比培训环境大200倍的办公室楼层地图构建了一个路线图,在20次试验中,成功率达90%以上。
- 12月22日台州塑料市场PC价格D型卸扣环氧树脂货运站限位开关烫平机Trp
- 郎咸平高铁时代的恐慌汽车香薰多刀车床张力仪机械钟传声器Trp
- RFID数据分析软件的未来0称重仪睛镜架吊车移印胶头脱壳Trp
- 2011年工业软件市场增长248创新应用装卸机械波谱仪瓷管护栏网配电柜箱Trp
- 4月22日昆明交易厅橡胶竞买交易挂单详情散热器即食鱿鱼画布人物石雕套标机Trp
- 一创两建市政设施改造升级工程惠及广大市民刀模淬火机床瓶贴标机收音机电磁吸盘Trp
- 员工淘汰管理实施细则测振仪糕点机械标准螺钉洗沙器灌注机Trp
- 庞大的市场规模是中国经济发展最强动力丽江办公锁插件产品人造革鞋单晶硅片Trp
- 融云CTO任杰强互动RTC下一个爆点场景百叶窗电脑回收电磁开关数码配件冰箱模具Trp
- GIS局部放电在线检测技术通过鉴定开远沙发清洗人造板涂胶家庭影院Trp