Искусственный интеллект научил робота адаптироваться к повреждениям

Роботов научили адаптироваться после повреждений (+ видео)

В течение последних трех лет Антуан Калли и Жан-Батист Муре из Университета Пьера и Марии Кюри в Париже представляли новые модели роботов-гексаподов.

Создатели усовершенствовали свои устройства на шести конечностях таким образом, что их было все сложнее вывести из строя.

За счет сложного алгоритма роботы продемонстрировали возможность справляться с поразительно большим ущербом, за считанные минуты восстанавливая способность двигаться, даже при отсутствии двух из шести ног.

Обратите внимание

На протяжении работы изобретателей теоретические и практические аспекты их роботов часто освещались в СМИ.

Теперь Калли и Муре сообщают о том, что их разработки могут использоваться не только для роботов, передвигающихся на ногах, но и, например, для некоторых типов механических манипуляторов.

Таким образом, с помощью алгоритма почти любой робот может стать более устойчивым к повреждениям, если его конструкция позволяет адаптивные движения.

Уникальность этого подхода заключается не только в возможности его применения к различным устройствам, но и в скорости, с которой работает алгоритм.

Если адаптивный робот-гексапод по какой-либо причине лишится одной из своих ног, это сразу же негативно скажется на скорости и эффективности его движений. В момент получения повреждения робот понимает, что произошло нечто непредвиденное, в связи с чем он не может передвигаться.

Однако вместо того чтобы пытаться понять, какая из конечностей повреждена и как именно, робот, вообще не проводя никакого анализа своей конструкции, просто начинает пробовать множество других способов передвижения.

Этот алгоритм можно назвать «умным методом проб и ошибок», поскольку робот приходит к работающему способу, перебирая уже заложенные в программе потенциально рабочие варианты – и весь процесс занимает около двух минут.

«Поврежденный робот начинает вести себя, как исследователь, – объясняет Антуан Калли. – У него есть предварительные ожидания насчет вариантов поведения, которые могут сработать – именно их он начинает пробовать. Однако эти ожидания строятся на основе симуляции неповрежденного робота.

Задача устройства – выяснить, какие из них действительно работают при полученном повреждении. Каждая попытка использовать одно из движений похожа на эксперимент. Если она не срабатывает, робот способен отбросить целый тип движений и попробовать новый.

Важно

Например, если передвижение с опорой в основном на задние ноги не приносит достаточно убедительные результаты, после этого робот попытается перемещаться, опираясь в основном на передние. Удивительно, как быстро устройство способно выучить новые способы передвижения.

Потрясающе, что поврежденный и опрокидывающийся робот уже через пару минут довольно успешно, пусть и немного хромая, убегает в другом направлении».

Быстрое восстановление при повреждениях – только одно из возможных применений данного алгоритма. Его можно использовать также для адаптации к различным типам поверхности или для выработки новой модели поведения в непредвиденных обстоятельствах.

Поскольку система полностью автономна и робот может выучивать новые типы поведения так часто, как это потребуется, такой алгоритм идеально подошел бы, например, для исследования космоса.

Что бы ни произошло, робот найдет какой-нибудь способ продолжить свою работу как можно лучше без необходимости непосредственного вмешательства человека. На самом деле, говорить об исследованиях космоса, возможно, преждевременно, поскольку роботы постоянно ломаются и на земле.

Если бы они в определенной мере могли самостоятельно справляться с возникающими проблемами, это сильно облегчило бы работу с ними.

В опубликованной статье Калли, Муре и их соавторы представили дополнительную информацию о проекте, включая любопытные случаи, которые произошли в процессе работы. Например, два года назад несколько очень известных ученых должны были посетить их лабораторию.

Разумеется, руководство университета хотело, чтобы важные гости наблюдали процесс разработки в лучшем виде, они решили покрыть полы воском за день до визита.

Совет

В результате полы стали чистыми и блестящими, но гораздо более скользкими, чем раньше! Испробовав один из способов передвижения, который всегда работал безотказно и должен был произвести впечатление на гостей, исследователи обнаружили, что на скользкой поверхности он неприменим.

Однако благодаря тому, что робот использует алгоритм адаптации, через пару минут он снова успешно передвигался по навощенному полу. Посетители, конечно, остались в восторге.

Ученые сталкивались и с другим неожиданным поведением своих машин. Работая над расширением ассортимента способов передвижения, они настраивали их по различным параметрам.

В частности, в одном из экспериментов ноги робота должны были касаться земли в течение ограниченного времени (100%, 75%, …25%, 0%). Логично было предположить, что устройство не сможет решить задачу передвижения притом, что его конечности вообще не должны касаться земли.

Однако и в этом случае роботы удивили разработчиков – устройство перевернулось на спину и начало передвигаться на локтях, поддерживая все ноги на весу.

Кроме роботов-гексаподов ученые также работают с колесными роботами и другими робо-системами. Об одной их таких разработок мы уже писали на нашем сайте: http://www.robogeek.

ru/nauchnye-razrabotki-programmnoe-obespechenie/creadapt-robot-kotorogo-trudno-ostanovit Одна из главных задач, стоящих перед учеными, — разработанный алгоритм должен работать на любой роботизированной системе.

Этот проект финансируется до 2016 года, так что мы сможем увидеть еще много интересных результатов. Следите за новостями!

Источник: http://www.robogeek.ru/nauchnye-razrabotki-programmnoe-obespechenie/robotov-nauchili-adaptirovatsya-posle-povrezhdenii

Обучение систем искусственного интеллекта для адаптации к динамическим средам

Новая программа DARPA направлена на создание искусственного интеллекта (ИИ), который распознает и реагирует автономно на изменения в реальных условиях. Современные системы искусственного интеллекта преуспевают в задачах, определенных жесткими правилами, таких как овладение настольными играми и шахматами с мастерством, превосходящим игроков мирового уровня.

Однако системы искусственного интеллекта не очень хорошо приспосабливаются к постоянно меняющимся условиям, с которыми обычно сталкиваются войска в реальном мире, от реагирования на неожиданные действия противника до колеблющейся погоды и эксплуатации в незнакомой местности.

Чтобы системы искусственного интеллекта могли эффективно взаимодействовать с людьми в самых разных военных приложениях, интеллектуальные машины должны перейти от решения проблем закрытого мира в ограниченных границах к вызовам открытого мира, для которых характерны нестабильные и нестандартные ситуации.

Программа SAIL-ON

Чтобы попытаться сделать этот скачок, DARPA сегодня объявила о программе «Наука искусственного интеллекта и обучение новизне открытого мира» (SAIL-ON).

SAIL-ON намеревается исследовать и разрабатывать основополагающие научные принципы и общие технические приемы и алгоритмы, необходимые для создания систем искусственного интеллекта, которые будут действовать надлежащим образом и эффективно в новых ситуациях, возникающих в открытых мирах.

Цели программы состоят в том, чтобы разработать научные принципы для количественной оценки и характеристики в областях открытого мира, создания систем искусственного интеллекта, которые реагируют на все новое в этих областях, а также для демонстрации и оценки этих систем в выбранной области DoD. День презентации для заинтересованных участников запланирован на 5 марта 2019 года в Арлингтоне, штат Вирджиния.

Обратите внимание

Тед Сенатор, руководитель программы в Отделе оборонных наук DARPA, сказал: «Представьте, изменились правила игры в шахматы в середине игры. Как система ИИ узнает, что доска стала больше или если целью игры было не поставить мат королю противника, а захватить все его пешки? Или что, если конь теперь может двигаться как слон? Сможет ли ИИ выяснить, что изменилось и адаптироваться к нему?»

Существующие системы ИИ становятся неэффективными и не могут адаптироваться, когда происходит что-то значительное и неожиданное. В отличие от людей, которые распознают новый опыт и соответствующим образом корректируют свое поведение, машины продолжают применять устаревшие методы до тех пор, пока не пройдут переподготовку.

При наличии достаточного количества данных машины могут хорошо выполнять статистические рассуждения

Например, классифицировать изображения для распознавания лиц. Еще один пример – искусственный интеллект DARPA в автомобилях с самоуправлением в начале 2000-х годов, который привел к нынешней революции в области автономных транспортных средств.

Благодаря огромным объемам данных, которые включают в себя события, собранные с десятков миллионов автономных миль, технология самостоятельного вождения вступает в свои права. Но доступные данные специфичны для обычно четко определенных сред с известными правилами дорожного движения.

Тед Сенатор сказал: «Было бы нецелесообразно пытаться сгенерировать подобный набор данных миллионов миль для самостоятельного вождения для наземных военных систем, которые путешествуют по бездорожью, в агрессивной среде и постоянно сталкиваются с новыми условиями с высокими ставками, не говоря уже об автономных военных системах, работающих в воздухе и на море ».

4 этапа для достижения нужной цели

В случае успеха SAIL-ON научит систему искусственного интеллекта обучаться и реагировать соответствующим образом без необходимости переподготовки на большом наборе данных.

Программа стремится заложить техническую основу, которая позволила бы машинам, независимо от области, самим проходить военный цикл OODA, наблюдать за ситуацией, выбирать лучший курс действий и затем действовать.

«Первое, что должна сделать система ИИ – это признать, что мир изменился.

Второе, что нужно сделать – это охарактеризовать, как изменился мир. Третье, что ему нужно сделать, это соответствующим образом адаптировать свой ответ. В-четвертых, когда он научится адаптироваться, он должен обновить свою модель мира ».

SAIL-ON потребует от исполнителей и команд охарактеризовать и количественно определять типы и степени всего происходящего в открытых мирах, создавать программное обеспечение, которое генерирует новые ситуации на разных уровнях иерархии в выбранных областях, и разрабатывать алгоритмы и системы, способные идентифицировать и реагировать на нескольких открытых доменах.

SAIL-ON ищет специалистов во многих областях ИИ, включая машинное обучение, распознавание планов, представление знаний, обнаружение аномалий, диагностику и устранение неисправностей, вероятностное программирование и другие. Ожидается, что в ближайшее время будет опубликовано объявление о (BAA).

Источник: https://robroy.ru/obuchenie-sistem-iskusstvennogo-intellekta.html

Роботы и самопознание. Возможно ли?

Инженеры Университета Колумбия, США, “научили” робота “осознавать” свое положение в пространстве, учитывать повреждения, анализировать опыт и “планировать” ближайшее будущее.

Нельзя составить карту города, сидя дома и накрывшись одеялом с головой. Надо обойти город с широко раскрытыми глазами и честно нанести на бумагу то, что видишь.

Если ты, видя город нечетко, трактуешь неопределённость по собственной прихоти, смещая линии левее, правее, выше и ниже — чем ты лучше того, кто рисует город дома под одеялом?
Двенадцать добродетелей рационалиста. Элиезер Юдковский

Китайский стратег и мыслитель Сунь-цзы говорил о том, что знающий себя и своего противника воин может смело вступать в бой: опасности не будет. Не следует воспринимать это высказывание слишком буквально – однако что-то в такой модели поведения точно есть.

Важно

Cтратегическое планирование человека опирается на тот факт, что мы “распознаем” себя и свои возможности, а также представляем свое участие в различных жизненных сценариях и событиях.

Кроме того, наша рефлексия и умение анализировать прошлый опыт приходятся весьма кстати, когда мы пытаемся предсказать исход тех или иных событий.

Инженеры Университета Колумбия, США, попытались “обучить” простой робоманипулятор с четырьмя степенями свободы тем же премудростям.

Обучение современных роботов часто сводится к методу проб и ошибок – нередко, такие “уроки” проходят в формате ускоренных симуляций. Так, например, ИИ AlphaStar, победивший в 2019 году пару людей-прогеймеров в компьютерную игру Starcraft 2, получил в ускоренной симуляции свыше 200 лет практики.

Робоманипулятор спецов из Университета Колумбия изначально не имел никаких представлений о физике, геометрии и своем устройстве, однако уже через день интенсивных вычислений, “рука” научилась адаптироваться к разным ситуациям и задачам! После активации, манипулятор начал двигаться по тысячам траекторий, формируя первую модель своего устройства. Первые прикидки даже близко не напоминали реальное положение дел, но спустя 35 часов, модель описывала реальное положение манипулятора робота с точностью до 4 см.

Читайте также:  На грани фантастики

Разработчики научили робота поднимать и перемещать различные объекты, однако не уточняли прочих деталей: действующая в замкнутом цикле (т.е.

получившая разрешение калибровать позицию между каждой операцией, опираясь на поступающую извне информацию) система научилась захватывать предметы и помещать их в корзину со 100%-ой точностью.

Точность действий манипулятора в “разомкнутой” системе составила 44%.

В какой-то момент, разработчики заменили одну из деталей робота деформированным модулем: устройство успешно учло “сомнительное” новшество, скорректировав модель, и вернулось к процессу захвата и перемещения объектов.

Совет

По словам разработчиков, в ближайшие годы подобный подход позволит роботам быстрее адаптироваться к непредвиденным обстоятельствам и создавать виртуальные модели самих себя.

Источник: http://robotrends.ru/pub/1905/roboty-i-samopoznanie.-vozmozhno-li

Роботов научили адаптироваться к увечьям

В настоящее время шагающий робот у которого отказала одна конечность не может продолжать движение, что в условиях стихийных бедствий или во время войны неприемлемо Фотография: Wikimedia CommonsМеждународная группа разработчиков из Франции и США во главе с Жан-Батистом Море (Jean-Baptiste Mouret) научила шестиногого робота передвигаться даже после поломки конечности. Соответствующая работа опубликована в журнале Nature.

В ходе эксперимента шестиногого робота оснастили программным обеспечением, благодаря которому он, после выхода из строя конечности, смог быстро научиться новому типу передвижения, пробуя активнее использовать то одну, то другую из оставшихся конечностей. Среди прочего робота снабдили библиотекой с 13 000 образцами «походок», пригодных к использованию при том или ином повреждении конечностей. Библиотека была заранее создана с применением компьютерного моделирования движений этого гексапода.

В ходе опытов исследователи намеренно повреждали по очереди каждую из ног. При помощи акселерометров, сигнализировавших роботу о том, что он потерял устойчивое положение и скорость, гексапод пытался преодолеть проблему.

В результате после потери контроля над одной из «ног» робот через 40 секунд обучения «методом проб и ошибок» восстановил до 96% от своей первоначальной скорости.

При этом, подчеркивают разработчики, его движения меньше напоминали поломанную игрушку на радиоуправлении и больше – поведение раненного животного.

В другом эксперименте ученые по очереди отключали все 14 сочленений у робота-манипулятора. После того, как одно из сочленений руки теряло способность разгибаться, робот пытался компенсировать недостаточную подвижность сгибанием исправных суставов. Менее чем за минуту робот справлялся с неисправностью и мог выполнить задачу: положить шар в банку.

Авторы сравнивают свой алгоритм с поведением раненых животных: когда робот сталкивается с неисправностью в конечностях, он находит исправную часть, чьи функции частично пересекаются с поломанной. В настоящее время исследователи планируют провести аналогичные опыты на более крупных роботах за пределами лаборатории.

В настоящее время роботы игнорируют неисправности конечностей. Если речь идет о производственной площадке, робота проще починить, чем заставлять работать частично неисправным.

Авторы исследования полагают, что умение хромать может помочь роботам там, где нет возможности оперативно устранить неисправность конечности: при проведении спасательных работ, при тушении пожаров и даже на других планетах.

Источник: https://nplus1.ru/news/2015/05/28/rocksteadyarm

Алгоритм познания: в России создан самообучающийся робот

В Институте точной механики и вычислительной техники им. С.А. Лебедева РАН при участии АО «Интеллект» прошел испытания робот, в основу обучения которого положен абсолютно новый принцип, копирующий, по словам ученых, алгоритмы познания мира младенцем.

Программа, формирующая алгоритмы обучения, воспроизводит построенную ими функциональную модель мозга и реализована с использованием разработанных специально для этой цели моделей нейрона.

В этих моделях воплощается революционное убеждение авторов в том, что сам по себе биологический нейрон — это уже небольшая самообучающаяся система распознавания образов.

Обратите внимание

По двум одинаковым лабиринтам ползают робот и мышонок. И тот и другой демонстрируют одинаковое поведение. Мышонок ощупывает стены усами-вибриссами, робот замечает препятствия своими визуальными и тактильными датчиками. Оба поначалу то и дело натыкаются на препятствия.

Но проходит некоторое время, и постепенно и тот, и другой начинают понимать, как им вести себя, чтобы избежать столкновений со стенками лабиринта. Испытуемые перестают натыкаться на стенки, вовремя поворачивая в нужную сторону.

Адаптивное поведение робота соответствует поведению новорожденного мышонка, как и способ обучения.

Этот эксперимент был проведен в Институте нормальной физиологии РАН под руководством российского нейрофизиолога Константина Анохина в сотрудничестве с учеными Института точной механики и вычислительной техники им. С.А. Лебедева РАН. По результатам эксперимента написана совместная статья под названием «Исследование формирования поведенческих стратегий в биолого-кибернетических экспериментах».

Нейроны Жданова

Система управления робота была основана на принципах доктора физико-математических наук Александра Жданова: им была предложена оригинальная концепция работы кибернетических устройств, названная принципом автономного адаптивного управления. Схема работы описывает взаимосогласованное решение ряда таких сложных задач, как самообучение распознаванию образов, моделирование эмоций, поиск и накопление знаний, принятие решений.

Реализовать такую схему можно разными способами, применяя подходящие методы решения каждой из указанных задач. Но поскольку в природе все эти задачи решаются с помощью нейронов, то авторам пришлось смоделировать новые модели нейронов, соответствующие по своим свойствам биологическому нейрону.

— Биологический нейрон — это самостоятельная самообучающаяся система распознавания образов, — поясняет Александр Жданов.

— Нейрон не требует никакого внешнего супервизора, наблюдающего все входы и выходы нервной сети и настраивающего все веса нейронов методом back propagation, как это делается в современных так называемых искусственных нейросетях — это абсолютно нереально в природе. Биологический нейрон и наша модель имеют всё необходимое, чтобы самим обнаруживать коррелирующие сигналы на своих входах.

Искусственный нейрон Жданова может иметь тысячи входов. Он наблюдает за входными сигналами и по определенному автономному правилу сам выращивает свои синапсы.

Один нейрон — один образ

— В какой-то момент нейрон как бы говорит себе: «Ага! Эта комбинация сигналов повторялась уже 20 раз. Это не может быть случайностью. Запомню-ка я ее и буду на нее реагировать», — говорит Александр Жданов. — С этого момента он начинает сообщать вовне о распознавании этого образа.

Один нейрон отвечает за один образ. По словам ученого, это было подтверждено в известных опытах с «нейроном Дженнифер Энистон», когда было обнаружено, что если человек распознает образ актрисы, то срабатывает определенный нейрон.

Александр Жданов подчеркивает: несмотря на то что при узнавании Энистон срабатывает множество нейронов, отвечающих за разные составляющие этого образа, — есть один нейрон, отвечающий за итоговый образ. Так происходит поиск закономерностей в потоке информации.

Схема запоминания образов аналогична процессу обучения человека: чтобы мы запомнили нового соседа во дворе, нам надо встретить его несколько раз. Либо он сразу должен произвести на нас сильное впечатление — это еще один алгоритм обучения.

Нейрон считается обучившимся, когда ситуация повторилась нужное количество раз. Это количество устанавливается программистом для каждой ситуации индивидуально.

Либо образ запоминается с первого раза, но тогда его появление должно сопровождаться очень сильной эмоцией — положительной или отрицательной. Оценка эмоций заложена в линейке нейронов.

Если задевается нейрон с одной стороны линейки — машинным мозгом это воспринимается как «невыносимо плохо». С другой стороны линейки — «необыкновенно хорошо».

Таким образом, в случае системы управления, основанной на «нейронах Жданова», происходит самообучение робота, а не обучение с учителем, как в случае других нейросетей. Там предварительное обучение — обязательно.

Вторая сигнальная 

Еще одно отличие нейроноподобной модели Жданова — способность порождать языковое общение, что в природе является прерогативой человека. Эту способность человека русский физиолог Иван Павлов выделил в специальный тип высшей нервной деятельности, назвав его второй сигнальной системой.

Управляющая система робота может ассоциировать слышимые ею слова с реальными ситуациями.

Например, если несколько раз при появлении препятствия справа говорить вслух слова «препятствие справа», то робот свяжет эти слова с ситуацией и через некоторое время даже начнет реагировать на эти слова так, как будто он действительно увидел препятствие. Это лишний раз подтверждает биологичность разработанной схемы искусственного мозга.

Важно

Схема мозга, разработанная Александром Ждановым, выведена не из биологии, а из кибернетической постановки задачи. Ученый поставил цель создать информационную управляющую машину, которая при рождении оказывается в среде с малоизвестными ей свойствами. Она должна уметь приспосабливаться к миру прямо в процессе «жизни», непрерывно обучаясь, дообучаясь и переобучаясь.

Поскольку «выживать» ей приходится за счет правильного принятия решений, она вынуждена всё время активно искать знания о свойствах этого мира, чтобы принимаемые ею решения были правильными.

Схема работы мозга

В целом схема мозга такова: в своей афферентной части мозг учится распознавать в поступающей из органов чувств информации образы неслучайных явлений, которыми он может оперировать при управлении.

Сопоставляя их со своими совершенными действиями, мозг должен понять, как он может вызвать распознавание известных ему образов. Но для управления этого мало, нужна еще целезадающая система, качественно оценивающая состояния-образы и указывающая, какие из них предпочтительнее.

Для этого в каждом организме существует аппарат эмоций, именно он оценивает образы, делит их на приятные и неприятные.

Для управления нужны знания о том, куда из текущей ситуации можно перейти доступными действиями и хороши или плохи эти возможные результаты. Коллекция этих эмпирически добытых знаний и составляет «базу знаний» живого организма.

— В мозге человека она реализована в виде совокупности обучившихся нейронов, собранных в трехмерные матрицы, — объясняет Александр Жданов. — Принимая каждое решение, мозг смотрит в свою базу знаний и выбирает то действие, которое вызовет распознавание образов с максимально лучшими из возможных в данной ситуации эмоциональными оценками.

Кроме того, принимая решения, мозг постоянно взвешивает: выбрать ли решение из уже известных, чтобы получить надежный результат, или попробовать что-то новое, неизвестное.

Принятые мозгом решения идут на исполняющие устройства, которые переводят бинарные команды в сокращение или расслабление мышц. Так мы идем, летим, плывем, управляем автомобилем, пишем симфонии, двигаем шахматные фигуры.

Сомнения и перспективы

Весь этот алгоритм работы мозга математически формализован и подробно описан в статьях и монографии Александра Жданова. Впрочем, по мнению многих нейрофизиологов, общая схема мало что может сказать о том, как именно происходит работа биологического мозга. 

— Нет сомнений, что на современной процессорной базе можно построить самые разные алгоритмы для реализации простых и сложных самообучающихся технических систем, — говорит заведующий лабораторией нейрофизиологии и нейроинтерфейсов МГУ им. М.В. Ломоносова Александр Каплан. — Как правило, интеллект этих роботов построен на больших сетях нейроподобных элементов.

Сейчас трудно сказать, насколько перспективны системы управления, основанные на «нейронах Жданова», каждый из которых помнит уникальную комбинацию своих эффективных входов, то есть отвечает за конкретный образ или событие.

Можно только заметить, что ни один из авторских коллективов, нашедших знаменитые нейроны «Дженнифер Энистон», «Мэрилин Монро» и других известных личностей, в своих статьях не утверждал, что система детектирования предъявляемых испытуемому картинок состоит из одного нейрона.

Совет

Нейрофизиологи убеждены скорее в том, что элементарные «вычислительные» функции выполняются в мозгу группами нервных клеток. Это обеспечивает высокую надежность мозговых операций и устойчивость всей системы управления к потере отдельных нервных клеток, что случается по естественным причинам каждый день.

По мнению заведующего лабораторией нейронных систем и глубокого обучения МФТИ Михаила Бурцева, нейроподобные сети Жданова действительно уникальны по своему строению, но по решению поставленных перед ИИ задач пока не показывают результатов, которые бы могли обеспечить России приоритет в области развития обучения роботехнических систем.

— Александр Жданов предлагает сложную модель, которая объединяет разные подходы, — говорит Михаил Бурцев. — Например, его принцип обучения нейронов без учителя похож на тот, что есть в сетях Хопфилда.

При этом точно его не повторяет, так как у Жданова обучается один нейрон, а не сеть. В этом существенное отличие. Его оцифровка «аппарата эмоций» похожа на «обучение с подкреплением» — это целый раздел в машинном обучении, по которому идут эксперименты во всем мире.

Читайте также:  Создан уникальный многофункциональный дрон, способный ползать

Чтобы эти два подхода были бы объединены, я нигде не встречал.

Источник: https://iz.ru/772421/anna-urmantceva/algoritm-poznaniia-v-rossii-sozdan-samoobuchaiushchiisia-robot

Влияние искусственного интеллекта на развитие робототехники

Рис. 1. Родни Брукс говорит, что искусственный интеллект все еще находится в зачаточном состоянии. Нет никакой предсказуемой конкуренции между машинным и человеческим интеллектом — люди априори остаются умнее. Изображение предоставлено Robotics/Robotic Industries Association (RIA)

Исследователи и предприниматели, которые десятилетиями занимаются вопросами искусственного интеллекта, пытаются помочь людям лучше понять его тонкости и связанные с его использованием проблемы.

Сейчас специалисты в этой области работают над тем, чтобы развеять заблуждения и не совсем правильные представления, сложившиеся вокруг ИИ, и показать, как искусственный интеллект может и уже применяется в промышленной робототехнике.

«Я думаю, что самым большим заблуждением является то, что мы считаем, будто развитие искусственного интеллекта (ИИ) уже зашло чересчур далеко, — говорит Родни Брукс (Rodney Brooks), председатель и технический директор компании Rethink Robotics (рис. 1). — Мы работаем над ИИ с 1956 г.

, почти с того времени, когда отец искусственного интеллекта Джон Маккарти (John McCarthy) в 1955-м придумал сам термин «искусственный интеллект», то есть уже примерно 62 года. Но это оказалось намного сложнее, чем чистая физика в ее реализации, хотя и сама физическая реализация заняла достаточно много времени.

Думаю, в этой области мы пока еще находимся в зачаточном состоянии».

Брукс полагает, что большая часть упрощенного представления об ИИ происходит из недавних сообщений в СМИ, уделяющих повышенное внимание демонстрации антропоморфных роботов, бионических роботов, выполненных в виде животных и насекомых, а также реакции зрителей, которые восхищаются искусственными системами, соревнующимися с людьми, например, в шахматах, игре в настольный теннис или в древнюю китайскую игру «го». Здесь, несомненно, присутствует ИИ, но все это лишь его первые детские шаги.

Некоторое недоразумение связано с приравниванием производительной деятельности машины к ее компетенции, то есть способности как личности развиваться и адаптироваться к тем или иным условиям.

Когда мы видим, как человек выполняет определенную задачу, то понимаем, что у него имеются определенные навыки и знания, которыми он должен обладать для выполнения конкретной задачи.

Что касается ИИ — это совсем не так.

«Система с ИИ может фантастически играть в шахматы, но она не имеет ни малейшего представления о том, что она играет в эту игру, — поясняет Брукс.

— Так что в случае, когда мы подгоняем действия машины под некую компетенцию, то глубоко ошибаемся.

Когда вы видите, как программа узнала что-то такое, что человек тоже может узнать, вы делаете ошибку, думая, будто у нее есть все то богатство понимания, которое было бы, например, у вас в этой ситуации».

Понимание того, что такое ИИ и что таковым не является

Искусственный интеллект уже стал модным маркетинговым выражением, которое у всех на слуху и используется где ни попадя. Это напоминает то, что мы когда-то пережили с употреблением слова «робот». Теперь нам, как и с роботами, кажется, будто все обладает потенциалом ИИ.

Действительность же такова, что иногда трудно определить, что по своей сути является ИИ, а что нет. Даже эксперты колеблются, когда дело доходит до окончательного определения того, имеет нечто конкретное в своей основе ИИ или нет. Как отмечает Брукс, то, что считалось искусственным интеллектом в 1960-х гг.

, теперь преподается на первом курсе по компьютерному программированию, но уже так не называется и даже не относится к этому понятию.

«В какой-то момент что-то называется ИИ, — говорит Брукс. — А потом это становится просто информатикой».

Подмножествами ИИ (как мы понимаем это в текущий момент) являются машинное обучение и все его вариации, включая глубокое обучение, обучение с подкреплением сигналами от среды взаимодействия и имитационное обучение.

«Какое-то время ИИ был очень узким понятием.

Некоторые люди видели его как очень конкретный набор методов, основанных на поиске, — говорит Кен Голдберг (Ken Goldberg), директор Центра новых технологий (CNM, Беркли) и профессор на кафедре инженерных исследований Калифорнийского университета в Беркли (University of California, Berkeley). — Теперь ИИ рассматривается как широкий термин для робото­техники и машинного обучения, поэтому сейчас он охватывает целый ряд дополняющих понятий и областей».

Передовые современные системы компьютерного зрения — это, безусловно, форма ИИ. «Если вы просто проверяете, находится ли винт в нужном месте, как было еще в 1960-х гг.

, то это чересчур просто, чтобы назвать ИИ, — поясняет Голдберг.

— Но в то же время, когда система компьютерного зрения может распознать лица рабочих, мы обычно думаем об этом как об ИИ, поскольку решается гораздо более сложная задача».

Проблема ИИ — отсутствие контекста

Важным отличием человеческого интеллекта от машинного является контекст того или иного действия. У нас, поскольку мы разумные люди, есть лучшее понимание окружающего мира, а вот у ИИ такого понимания нет.

«Мы работаем над контекстом в области ИИ уже 60 лет и пока даже близко не подошли к решению данной проблемы, — говорит Брукс. — Вот почему я не беспокоюсь о том, что у нас вскоре появится некий суперинтеллектуальный ИИ.

Да, мы несомненно добились успеха в ряде областей, и действительно — это революция в области ИИ, которая совершается прямо сейчас на наших глазах, но происходит еще в очень узких направлениях. Конечно, нынешнее распознавание речи радикально отличается от того, что было десять лет назад.

Я раньше шутил, что системы понимания речи были настроены так, что либо вы нажимаете на кнопку, либо говорите «два» и впадаете в эйфорию, если машина вас поняла. Сейчас уже все иначе».

Источник: https://controlengrussia.com/innovatsii/robototehnika/iskustvennyj-intellekt/

Робот, умеющий «разумно» адаптироваться к поломкам

Инженеры создали робота, умеющего «разумно» адаптироваться к поломкам

Французские и американские инженеры создали необычно «разумного» робота, который меет самостоятельно анализировать характер повреждений на его конечностях и адаптировать свою «походку» для максимально быстрого и экономичного передвижения, а также вырабатывать эвристические стратегии решения незнакомых ему задач.

Международный коллектив инженеров создал необычного робота, который умеет самостоятельно анализировать характер повреждений на его конечностях и «разумным образом» адаптировать свою походку для максимально быстрого и экономичного передвижения, говорится в статье, опубликованной в журнале Nature.

«Когда у животных ломаются конечности или кости, они не начинают учиться ходить или двигать лапами полностью с нуля. Вместо этого у них есть интуитивное чувство того, как вести себя в таких ситуациях.

Оно помогает им разумным образом выбрать несколько новых манер движения, проверить их на практике и выбрать ту, которая работает даже при травме лап.

Обратите внимание

Мы создали роботов, которые умеют делать то же самое», — рассказал Жан-Баптист Море (Jean-Baptiste Mouret) из университета Пьера и Марии Кюри в Париже (Франция).

Море и его коллеги создали целую серию роботов, способного к адаптации и своеобразной самопочинке, научив их предсказывать то, как изменится эффективность работы их конечностей и суставов при отключении произвольных частей их двигательного аппарата.

Как рассказывают ученые, перед каждым включением робот прокручивает на своем процессоре целый набор компьютерных симуляций самого себя, при помощи которых он составляет «карту» эффективности всех возможных манер движения, в которых задействованы все или лишь часть его конечностей.

При поломке он использует эту карту в качестве своеобразного чувства «интуиции», которое позволяет роботу быстро выбирать наиболее эффективные стратегии перемещения в пространстве и апробировать в деле.

Алгоритмы, управляющие выбором и проверкой этих стратегий, основаны на принципах дарвиновской теории эволюции, подчиняясь тем же законам выживания самых приспособленных, что и живые существа в реальном мире. Инженеры называют их «разумным методом проб и ошибок».

Кибернетический «самоанализ», как рассказывают авторы статьи, требует в разы меньше вычислительных ресурсов, чем попытки предугадать все возможные сценарии развития событий и непредвиденные ситуации во внешнем мире, что позволяет роботу осуществлять его в режиме реального времени.

«Когда робот ломается, он превращается в настоящего ученого. У робота есть некие ожидания насчет тех стратегий, которые могут сработать, и он начинает проверять их. Каждая из них превращается в настоящий научный эксперимент.

Если она не срабатывает в принципе, у робота хватает смекалки на то, чтобы полностью отказаться от подобного типа движения и перейти к принципиально иной стратегии», — добавляет Антуан Калли (Antoine Cully), коллега Море.

К примеру, как объясняет Калли, если у робота не получается идти на задних ногах, он попытается перейти к движению на передних лапах, и быстро подберет оптимальную стратегию ползания за одну-две минуты.

В качестве демонстрации работоспособности этих алгоритмов ученые создали двух роботов – шестиногого «паука» и руку с девятью суставами, которые продолжали бодро двигаться или ловко захватывать предметы даже при полной поломке двух из шести ног или половины моторов в суставах.

Эти же самые эволюционные алгоритмы можно использовать не только для борьбы с поломками, но и для изобретения стратегий преодоления неожиданных препятствий и новых тактик для исполнения сложных задач, которые ставят перед роботами их хозяева. Подобная форма «разума» будет особенно неоценимой при отправке роботов на другие планеты, где их починка силами инженеров не представляется возможной.

Источник: https://xstyles.ru/novosti/event/1087-robot-umejushhijj-razumno-adaptirovatsja-k.html

Зачем искусственный интеллект учат переписывать свой код?

Недавно одна

компания разработала технологию, позволяющую машине эффективно обучаться на примерах в небольшом количестве и оттачивать свои знания по мере поступления новых примеров. Ее можно применить везде, например, научить смартфон распознавать предпочтения пользователя или помочь автономных двигательным системам быстро определять препятствия.

Старая поговорка «повторение — мать учения» отлично применима и к машинам. Многие современные системы искусственного интеллекта, работающие в устройствах, полагаются на повторение в процессе обучения.

Алгоритмы глубокого обучения позволяют устройствам ИИ извлекать знания из наборов данных и затем применять то, чему они научились в конкретных ситуациях.

Важно

К примеру, если скормить системе ИИ данные о том, что небо обычно голубое, позднее она начнет узнавать небо среди изображений.

С использованием этого метода можно проводить комплексную работу, но она, конечно, оставляет желать лучшего.

Но можно было бы получить такие же результаты, если пропустить систему глубокого обучения ИИ через меньшее число примеров? Бостонский стартап Gamalon разработал новую технологию, чтобы попытаться дать ответ на этот вопрос, и на этой неделе представил два продукта, использующих новый подход.

Gamalon использует технику байесовского программирования, программного синтеза. В ее основе лежит математика 18 века, разработанная математиком Томасом Байесом. Байесовская вероятность используется для уточненных прогнозов о мире с использованием опыта.

Эта форма вероятностного программирования — когда код использует вероятные, а не конкретные величины — требует меньшего числа примеров, чтобы сделать вывод, например, что небо голубое с пятнами белых облаков.

Программа также уточняет свои знания по мере дальнейшего изучения примеров, а ее код можно переписать, чтобы подправить вероятности.

Вероятностное программирование

В то время как этот новый подход к программированию по-прежнему имеет свои проблемы, которые нужно решить, у него есть значительный потенциал для автоматизации разработки алгоритмов машинного обучения.

«Вероятностное программирование упростит машинное обучения для исследователей и практиков», объясняет Брендан Лейк, научный сотрудник Нью-Йоркского университета, работавший над вероятностными методами программирования в 2015 году.

«У него есть возможность самостоятельно заботиться о сложных частях программирования».

Источник: http://robot-russia.ru/2018/02/03/zachem-iskusstvennyj-intellekt-uchat-perepisyvat-svoj-kod/

Умный робот, работающий под управлением ИИ, научился хватать

Вы наверняка помните автоматы с лапой, которые выманивали всю вашу карманную мелочь. В своё время это был самый близкий для простого человека аналог настоящего робота. Конечно, это далеко не так, но кое-что общее с роботами у них всё же есть: они ужасно справляются захватом объектов.

Читайте также:  Американские ученые работают над созданием истребителей с искусственным интеллектом

Вы, наверное, считаете само собой разумеющейся ту лёгкость, с которой берёте лист бумаги со стола. Однако для роботов это очень сложно. Проблема заключается в том, что выполнять отдельные задачи у них получается очень хорошо благодаря специализированным алгоритмам, однако предусмотреть все объекты, которые попадутся на пути, не представляется возможным.

И это работа для ИИ. Исследователи из Калифорнийского университета в Беркли научили робота с искусственным интеллектом надёжно захватывать объекты, которых он никогда не видел. А это очень важно, если инженеры-робототехники в будущем хотят создать по-настоящему умных, ловких роботов, которые могут взаимодействовать с окружающей средой.

Совет

Секретный ингредиент — библиотека точечных облаков, представляющих объект, эту информацию учёные «скармливают» нейронной сети.

«Робот изучает объекты, представленные таким образом, а затем пытается найти способ их схватить», — говорит робототехник Кен Голдберг, который разработал систему вместе с Джеффом Махлером.

«Итак, теперь, когда мы показываем ему новое облако точек, он говорит: «это лучше всего схватить вот так». «Лучше всего» — наиболее подходящее выражение. Целью является не просто поиск способов захвата объектов, но нахождение лучшего из них.

Используя эту нейронную сеть и трехмерный датчик Microsoft Kinect, робот может взглянуть на новый объект и определить лучший хват. После этого он справляется с задачей в 99 случаев из 100.

«На самом деле он даже не знает ничего об этом объекте», — говорит Голдберг. «Он считает, что это просто куча точек в пространстве и определяет то как их можно схватить. Так что на самом деле неважно что за предмет перед ним».

Представьте себе день, когда роботы появятся в наших домах, чтобы помочь с домашней работой, и не просто пылесосить, как роботы Roomba, но готовить еду и заботиться о пожилых.

Машины будут сталкиваться с множеством новых объектов, и вам не придётся беспокоиться о том, они не распознают вещи. Обучая себя, они смогут лучше адаптироваться к своему окружению.

И точность здесь ключевая характеристика: если робот, который готовит блюда, может выполнять правильные хваты лишь 50 раз из 100, вы получите в результате одного обескураженного робота и 50 разбитых тарелок.

Вот где будущее становится действительно интересным. Роботы не будут работать и учиться изолированно — они будут подключены к облаку, дабы обмениваться информацией.

Представьте, что один из них нашёл лучший способ сложить рубашку. Затем он поделится этими знаниями с другими роботами, такими как он, и даже совершенно иными.

Таким образом, подключённые в одну сеть машины будут работать не только как глобальная рабочая сила, но и как глобальный ум.

Обратите внимание

На данный момент роботы все ещё привыкают к нашему миру. И хотя новая система Голдберг является большим прорывом, она не идеальна. Помните, что робот на 99 процентов точнее, когда уверен в том, как можно схватить объект.

Иногда он пытается сделать хват, даже когда у него нет такой уверенности, или же он просто сдаётся.

«Сейчас мы модифицируем систему», — говорит Голдберг, — «теперь когда она неуверенна, то не отказывается от объекта, а подталкивает его двигает, снова изучает и после этого хватает.

Оригинал: Wired

Источник: https://theidealist.ru/aiclaw/

Роботы научились приспосабливаться к поломкам

Наверное все смотрели фильм «Терминатор», в котором киборги могли приспосабливаться к абсолютно любым механическим повреждениям и даже самовосстанавливаться. Скоро такие роботы могут появиться и в реальной жизни. Ученые уже долгое время работают над технологией, которая сможет наделить роботов способностью самопочинки после поломки или же простого приспособления к ней.

В будущем такая функция будет очень полезна практически каждому человеку. Ведь обычные люди вряд ли смогут починить робота-дворецкого, который через пару десятков лет будет находиться практически в каждом доме, при его механической поломке. Именно в этих случаях пригодится технология самовосстановления.

При какой-либо неисправности робот сам сможет починить себя через какое-то время.

Исследователи из Университета Сорбонна в Париже и Университета Вайоминга в США уже очень давно заняты разработкой такой технологии.

И вот недавно они показали созданный ими алгоритм, который имитирует поведение раненого животного. Он помогает роботу восстановить способность ходить после поломки, то есть приспособиться к поломке.

Ученые описывают свое изобретение как «интеллектуальный метод проб и ошибок».

С его помощью робот может восстанавливать повреждения всего за две минуты. При поломке он анализирует ситуацию и выбирает один из наиболее подходящих вариантов адаптации к поврежденной или отсутствующей конечности. Всего ему доступно 13 000 разных вариантов походок при механическом повреждении.

В рамках проведенного опроса среди множества респондентов ученые-социологи сделали вывод, что основная масса людей полагает, что роботы с легкостью уравняются по интеллекту с человеком через какую-то четверть века. Они считают, что в указанном явлении нет совершенно ничего фантастического. Согласно полученным данным, более 10% опрашиваемых уверены в том, что роботы дойдут до “человеческого” уровня к 2025г.

Роботы – это симбиоз самых передовых технологий. А использование роботов в военной обороне – оправдывает все усилия и средства, затраченные на их создание. Если вам по душе роботы и то, как мило и неуклюже они пытаются копировать движения человека

Важно

Клод Саммут, профессор информатики и машиностроения в университете Нового Южного Уэльса (Австралия), заявил, что в будущем полностью автономные роботы смогут обыграть в футбол звезд этой игры. Саммут принимал участие в проекте, под названием RoboCup, в ходе которого роботы программировались с целью научить их играть в футбол.

Источник: http://GlobalScience.ru/article/read/24508/

Современные роботы и искусственный интеллект

T –

Дать определение тому, что такое «робот», становится все труднее. Вокруг нас появляется все больше «умных» вещей с собственными микропроцессорами, которые полностью соответствуют классическому пониманию робота. Однако вряд ли это можно назвать «нашествием машин», о котором писали фантасты середины XX века.

Примерно такая же ситуация складывается и с понятием «искусственный интеллект». Если воспринимать искусственный интеллект так, как его воспринимают ученые, то ИИ уже давно среди нас, вот только до сложности человеческого мышления ему все еще очень и очень далеко.

Что же стоит понимать под «роботом» и «искусственным интеллектом»? Для решения каких задач прибегают к помощи роботизированных машин? Зачем прививать машинам эмоции?

Что такое «робот»?

http://postnauka.ru/faq/45313

“Что мы понимаем под словом «робот»? Есть много определений для этого понятия. Среди моих коллег популярно такое определение: «Робот — это машина, которая воспринимает, мыслит и действует».

Около десяти лет назад я добавил к этим трем характеристикам способность к коммуникации, и теперь многие говорят, что робот «воспринимает, мыслит, действует и коммуницирует».

Хорошо это или плохо, но такое определение заставляет считать современную бытовую технику (стиральные машины и так далее) роботами.”

Профессор Мел Сигел рассказывает, какими качествами должен обладать робот и как будет развиваться робототехника.

Роботы для сложных измерений в трудных условиях

http://postnauka.ru/video/24091

“С эволюцией технологий мы научились встраивать в инструменты микропроцессоры, маленькие компьютеры, появилась технология «plug and play» («включи и играй»). Эта эволюция позволяет нам применять научные инструменты удалённо: прикреплять их на движущиеся роботы и посылать в места, где они сами могут сделать необходимые корректировки.

Потому что ни один инструмент не является универсальным, любой из них должен быть адаптирован к определённому типу измерений. В прошлом изменения и корректировки вносились людьми, осуществляющими эти измерения.

Совет

Сейчас, с автоматизацией измерительных приборов, с внедрением в них искусственного интеллекта, они всё лучше способны адаптироваться к непредвиденным обстоятельствам и уметь в этих условиях предоставить нам нужную информацию.”

Физик Мел Сигел о сенсорах в робототехнике, исследованиях Марса и диагностике самолетов

Роботы в поисково-спасательных работах

http://postnauka.ru/video/45295

“Что происходит во время землетрясения? После основной волны рушится большая часть зданий, и поисково-спасательная операция, состоящая из команд людей и собак, отправляется в эти здания для поиска выживших.

Наступает волна афтершоков, повторных землетрясений, и может случиться так, что всю команду спасателей накроет полуразвалившимися обломками зданий. Для этого японцы и начали исследовать спасательно-поисковых роботов, чтобы заменить человека.

Теперь вместо команды человека с собакой или группы людей в полуразрушенное здание заходит робот, управляемый телеоператором из безопасного места, и начинает бродить по зданию, искать людей.”

Специалист в области робототехники Евгений Магид о спасательных операциях во время землетрясений, процессе создания робота и способности к самообучению.

Антропоморфные роботы

http://postnauka.ru/video/45294

“В 2006 году я был на конференции по робототехнике в Китае и, проходя мимо выставочного зала, увидел двух старичков, один из которых что-то, бурно жестикулируя, рассказывал публике, другой же скучал, осматривал толпу медленным взглядом, смотрел в газету и проявлял мало интереса к окружающим. При первом проходе я быстро проскочил мимо, не обратив внимания, — ну сидят себе какие-то два близнеца, одинаково одетые. Когда я вернулся и остановился на более длительный промежуток времени, я понял, что один из старичков на самом деле антропоморфный робот. И это был 2006 год.”

Специалист в области робототехники Евгений Магид об эффекте «зловещей долины», взаимодействии роботов и людей и антропоморфной робототехнике в России.

Эмоциональные вычисления

http://postnauka.ru/video/45297

“Мы часто принимаем решения под воздействием того или иного эмоционального импульса. Не делая этого, мы не используем быстрые механизмы при принятии решений.

Что это значит для робототехники? Это значит, что роботизированные системы, или системы искусственного интеллекта, становятся нежизнеспособными в условиях реального мира, в котором каждый раз, просто выходя на улицу, мы принимаем огромное количество спонтанных решений.

Но внутри вычислительных систем нет нейронов, и воспроизведение эмоций на сегодняшний день связано со множеством трудностей.”

Обратите внимание

Специалист в области искусственного интеллекта Максим Таланов об исследованиях Розалинд Пикард, механизме принятия решений и программном воспроизведении эмоций.

Эмоциональный искусственный интеллект

http://postnauka.ru/video/45296

“Что нужно сделать для того, чтобы машина почувствовала эмоции? И зачем воспроизводить эмоции внутри вычислительных систем? Если мы пытаемся воспроизвести эмоции, мы создаем машины, которые адекватно взаимодействуют в обществе, способны помогать, способны испытывать эмпатию, любовь, сострадание и далее весь спектр эмоций, которые существуют в нашем социуме, что совершенно необходимо для воспроизведения и создания робототехнических агентов, которые могут помогать нам в повседневной жизни.”

Специалист в области искусственного интеллекта Максим Таланов о модели эмоциональных феноменов, работах Марвина Мински и роли серотонина в обработке информации.

Дэвид Вернон: «То, что мы называем искусственным интеллектом, им не является»

http://postnauka.ru/talks/44431

“У понятия «искусственный интеллект» много объяснений.

Одно из старейших дано Алленом Ньюэллом и Гербертом Саймоном, двумя пионерами исследований в этой области, которые в 1975 году написали: «Задача интеллекта заключается в том, чтобы не допустить экспоненциального взрыва при поиске решения проблемы».

Они имели в виду, что существует огромное количество в большинстве своем интересных проблем, которые заставляют нас экспоненциально изучить огромное количество их потенциальных решений, чтобы найти то, которое подойдет в случае, если применить к ним метод простого перебора.

Лучшим способом избежать этого «взрыва» возможных вариантов решения является интеллектуальный выбор вашей стратегии поиска. С этой точки зрения искусственный интеллект — это наличие такой стратегии у машины, чаще всего у компьютера или у робота, который контролируется компьютером.”

Специалист по искусственному интеллекту Дэвид Вернон об истории создания ИИ, компьютерном зрении и способности роботов к самообучению.

Источник: https://snob.ru/profile/9283/blog/91527

Ссылка на основную публикацию
Adblock
detector