Das „Geheimnis' der Roboterimplementierung: kontinuierliches Lernen, Wissenstransfer und autonome Teilnahme

Dieser Artikel wurde von Lei Feng.com reproduziert. Wenn Sie einen Nachdruck benötigen, besuchen Sie bitte die offizielle Website von Lei Feng.com, um eine Genehmigung zu beantragen.

​Am 23. Mai 2022 fand wie geplant in Philadelphia, USA, die ICRA 2022 (IEEE International Conference on Robotics and Automation), die jährlich stattfindende internationale Spitzenkonferenz im Bereich Robotik, statt.

Dies ist das 39. Jahr von ICRA. ICRA ist die Flaggschiffkonferenz der IEEE Robotics and Automation Society und das wichtigste internationale Forum für Robotikforscher, um ihre Arbeit vorzustellen und zu diskutieren.

Auf der diesjährigen ICRA diskutierten drei der Chefrobotikexperten von Amazon, Sidd Srinivasa, Tye Brady und Philipp Michel, kurz die Herausforderungen beim Aufbau von Robotersystemen für die Mensch-Maschine-Interaktion in der realen Welt.

Bildunterschrift: Von links nach rechts sind Sidd Srinivasa, Direktor für künstliche Intelligenz bei Amazon Robotics, Tye Brady, technischer Chefexperte von Amazon Robotics (Global), und Philipp MichelSidd, Senior Manager für angewandte Wissenschaft bei Amazon Scout

Srinivasa ist ein weltbekannter Roboterexperte, IEEE Fellow, derzeit Distinguished Professor bei Boeing an der University of Washington und Leiter des Amazon Robot Artificial Intelligence Project. Er ist für die Verwaltung der Algorithmen autonomer Roboter verantwortlich, die das Amazon-Logistikzentrum unterstützen Mitarbeiter und die Erforschung von Robotern, die Produkte verpacken und verpacken können, sowie der autonomen Handhabung und eines wagenartigen Roboters, der Waren transportiert.

Tye Brady ist der leitende technische Experte von Amazon Robotics (global) und hat einen Master-Abschluss in Luft- und Raumfahrttechnik vom MIT. Philipp Michel und Sidd Srinivasa sind beide Doktoranden des CMU Robotics Institute und leitende Manager des Scout-Roboterprojekts von Amazon.

Sie bringen ihre eigenen Ansichten zur Lösung der Herausforderungen der Roboterimplementierung vor. Die Kommentare zur KI-Technologie wurden wie folgt zusammengestellt, ohne die ursprüngliche Bedeutung zu ändern:

F: Ihre Forschung auf dem Gebiet der Robotik löst verschiedene Probleme.

Sidd Srinivasa: Eine wichtige Schwierigkeit in der Robotikforschung ist: Wir leben in einer offenen Welt. Wir wissen nicht einmal, was der „Input“ erwartet. In unserem Fulfillment-Center muss ich über 20 Millionen Artikel kontrollieren, und die Anzahl der Artikel wächst täglich um Hunderte. Meistens wissen unsere Roboter nicht, welche Gegenstände sie aufnehmen, aber sie müssen sie vorsichtig aufnehmen und schnell verpacken, ohne sie zu beschädigen.

Philipp Michel: Für Scout liegt die Schwierigkeit in den Gegenständen, die auf dem Bürgersteig angetroffen werden, und in der Umgebung des Transports. Wir verfügen über private Liefereinrichtungen in vier Bundesstaaten der Vereinigten Staaten. Wetterbedingungen, Lichtverhältnisse ... Es war von Anfang an klar, dass wir uns mit einer Vielzahl von Variablen auseinandersetzen mussten, damit sich der Roboter an komplexe Umgebungen anpassen kann.

Tye Brady: Bei der Entwicklung von Ausführungsrobotern haben wir einen wesentlichen Vorteil, nämlich den Betrieb in einer halbstrukturierten Umgebung. Wir können unsere eigenen Verkehrsregeln für Roboter festlegen, und das Verständnis der Umgebung hilft unseren Wissenschaftlern und Ingenieuren wirklich dabei, ein tiefes Verständnis der Objekte zu erlangen, die wir bewegen, manipulieren, klassifizieren und identifizieren müssen, um Befehle auszuführen. Mit anderen Worten: Wir können das Streben nach Technologie in der realen Welt verwirklichen.

Philipp Michel: Eine weitere Gemeinsamkeit ist, dass wir bei der Lösung von Problemen stark darauf angewiesen sind, aus Daten zu lernen. Scout empfängt bei der Ausführung von Aufgaben reale Daten und entwickelt dann iterativ Lösungen für maschinelles Lernen für Wahrnehmung, Lokalisierung und Navigation.

Sidd Srinivasa: Ich stimme voll und ganz zu (aus Daten lernen, um Probleme zu lösen). Ich denke, maschinelles Lernen und adaptive Steuerung sind der Schlüssel zur superlinearen Skalierung. Wenn wir Tausende von Robotern einsetzen, können nicht Tausende von Wissenschaftlern und Ingenieuren daran arbeiten. Wir müssen uns auf reale Daten verlassen, um ein superlineares Wachstum zu erreichen.

Darüber hinaus denke ich, dass die offene Welt uns dazu zwingen wird, über „kontinuierliches Lernen“ nachzudenken. Unsere Modelle für maschinelles Lernen werden häufig auf der Grundlage einiger Eingabedatenverteilungen trainiert. Da es sich jedoch um eine offene Welt handelt, tritt das Problem der „Kovariatenverschiebung“ auf, d Lernmodelle neigen dazu, oft ohne Grund zu selbstsicher zu sein.

Ein Großteil unserer Arbeit bestand also darin, „Watchdogs“ (Watchdogs, eine Art Überwachungsgerät) zu erstellen, die erkennen, wann die Verteilung der Eingabedaten von der Verteilung abweicht, auf die sie trainiert wurden. Anschließend führen wir eine „Wichtigkeitsstichprobe“ durch, damit wir die geänderten Daten auswählen und das maschinelle Lernmodell neu trainieren können.

Philipp Michel: Das ist einer der Gründe, warum wir Roboter an verschiedenen Orten trainieren wollen, damit wir frühzeitig wissen, auf welche realen Daten der Roboter stoßen kann, was uns wiederum dazu zwingt, Lösungen zu entwickeln, die das können Neue Daten lösen.

Sidd Srinivasa: Das ist in der Tat eine gute Idee. Einer der Vorteile mehrerer Roboter ist die Fähigkeit des Systems, geänderte Inhalte zu erkennen, neu zu trainieren und dieses Wissen dann mit anderen Robotern zu teilen.

Denken Sie an die Geschichte eines Sortierroboters: In einem Winkel der Welt stößt ein Roboter auf eine neue Verpackungsart. Zuerst war es beunruhigt, weil es so etwas noch nie zuvor gesehen hatte und es nicht erkennen konnte. Dann entstand eine neue Lösung: ein Roboter, der neue Verpackungstypen an alle Roboter der Welt übertragen konnte. Auf diese Weise wissen die anderen Roboter, was sie damit machen sollen, wenn diese neue Verpackungsart an anderer Stelle auftaucht. Dies entspricht einem „Backup“. Wenn an einer Stelle neue Daten auftauchen, wissen andere davon, weil das System in der Lage war, sich neu zu trainieren und Informationen auszutauschen.

Philipp Michel: Unser Roboter macht ähnliche Dinge. Wenn unsere Roboter auf neue Hindernisse stoßen, auf die sie zuvor noch nicht gestoßen sind, versuchen wir, das Modell so anzupassen, dass es diese Hindernisse erkennt und mit ihnen umgeht, und stellen das neue Modell dann für alle Roboter bereit.

Eines der Dinge, die mich nachts wach halten, ist die Vorstellung, dass unsere Roboter auf dem Bürgersteig auf neue Objekte stoßen, denen sie in den nächsten drei Jahren nicht mehr begegnen werden, zum Beispiel: Menschen verwenden sie an Halloween, Gargoyles schmücken Rasenflächen, oder man stellt einen Regenschirm auf einen Picknicktisch, damit er weniger wie ein „Picknicktisch“ aussieht. In diesem Fall erkennen alle maschinellen Lernalgorithmen nicht, dass es sich um einen Picknicktisch handelt.

Ein Teil unserer Forschung befasst sich also mit der Frage, wie wir alltägliche Dinge, die nicht mit bestimmten Kategorien von Dingen verknüpft werden müssen, in Einklang bringen können. Wenn es sich um einen offenen Schachtdeckel handelt, muss der Roboter ihn gut erkennen können, sonst fällt er herunter. Wenn es sich jedoch nur um eine zufällige Box handelt, müssen wir die Hierarchie der Box wahrscheinlich nicht kennen, sondern nur, dass dies das Objekt ist, um das wir herumgehen möchten.

Sidd Srinivasa: Eine weitere Herausforderung besteht darin, dass eine Änderung Ihres Modells unbeabsichtigte Folgen haben kann. Das geänderte Modell hat möglicherweise keinen Einfluss auf die Wahrnehmung des Roboters, kann jedoch die Art und Weise verändern, wie der Roboter „bremst“, was dazu führt, dass die Kugellager nach zwei Monaten verschleißen. Bei End-to-End-Systemen geht es in vielen interessanten zukünftigen Forschungen darum, „die Auswirkungen von Änderungen in Teilen des Systems auf die Leistung des gesamten Systems zu verstehen“.

Philipp Michel: Wir haben viel Zeit damit verbracht, darüber nachzudenken, ob wir verschiedene Teile des Roboterstapels aufteilen sollten. Die Integration zwischen ihnen kann viele Vorteile bringen, ist aber auch begrenzt. Ein Extremfall ist das Lernen von Kamera zu Motor und Drehmoment, was in jeder realen Robotikanwendung eine große Herausforderung darstellt. Dann gibt es noch den traditionellen Robotik-Stack, der gut in Teile wie Lokalisierung, Wahrnehmung, Planung und Kontrolle unterteilt ist.

Wir haben auch viel Zeit damit verbracht, darüber nachzudenken, wie sich der Stapel im Laufe der Zeit entwickeln sollte und welche Leistungsverbesserungen es gibt, wenn diese Teile näher zusammengebracht werden? Gleichzeitig wollen wir ein möglichst interpretierbares System haben. Wir versuchen, die Integration von Lernkomponenten zu maximieren, indem wir den gesamten Stack nutzen und gleichzeitig die Interpretierbarkeit und die Anzahl der Sicherheitsfunktionen beibehalten.

Sidd Srinivasa: Das ist ein toller Punkt. Ich stimme Philipp voll und ganz zu. Es ist nicht unbedingt richtig, ein Modell zu verwenden, um alle Modelle zu beherrschen. Aber oft bauen wir am Ende Modelle für maschinelles Lernen, die ein gemeinsames Rückgrat mit mehreren angewandten Köpfen haben. Was ist ein Objekt und was bedeutet es, ein Objekt zu segmentieren? Es kann so etwas wie Pflücken, Stapeln oder Verpacken sein, aber jedes erfordert einen speziellen Kopf, der auf einem Rückgrat sitzt, das auf Aufgaben spezialisiert ist.

Philipp Michel: Einige Faktoren, die wir berücksichtigen, sind Batterie-, Reichweiten-, Temperatur-, Platz- und Rechenbeschränkungen. Daher müssen wir mit unseren Modellen effizient umgehen, die Modelle optimieren und versuchen, möglichst viel vom gemeinsamen Rückgrat zu nutzen, wie Sidd erwähnt hat: unterschiedliche Köpfe für unterschiedliche Aufgaben.

Bildunterschrift: Amazon Scout ist ein autonomer Lieferroboter, der sich mit Schrittgeschwindigkeit auf öffentlichen Gehwegen bewegen kann und derzeit in vier Bundesstaaten der USA im Feldtest getestet wird.

F: Als ich nach den Gemeinsamkeiten zwischen Ihren Projekten fragte, fiel mir eines ein: Ihre Roboter arbeiten alle in der gleichen Umgebung wie Menschen. Warum verkompliziert dies das Problem?

Sidd Srinivasa: Roboter nähern sich dem menschlichen Leben, und wir müssen alle komplexen Interaktionen respektieren, die in der menschlichen Welt stattfinden. Neben dem Gehen, Fahren und Ausführen von Aufgaben gibt es auch komplexe soziale Interaktionen. Für einen Roboter ist es erstens wichtig, dass er bei Bewusstsein ist und zweitens, dass er involviert ist.

Es ist wirklich schwer, wenn man Auto fährt. Manchmal ist es schwer zu erkennen, was andere Leute denken, und auf der Grundlage ihrer Gedanken zu entscheiden, wie man sich verhält. Es ist schwierig, nur über das Problem nachzudenken, und dann ist es noch schwieriger, den Kreis zu schließen.

Wenn ein Roboter Schach spielt oder gegen einen Menschen spielt, ist es viel einfacher vorherzusagen, was er tun wird, da die Regeln bereits klar festgelegt sind. Wenn Sie davon ausgehen, dass Ihre Gegner optimal sind, werden Sie gut abschneiden, auch wenn sie suboptimal sind. Dies ist in einigen Zwei-Spieler-Spielen garantiert.

Aber die tatsächliche Situation ist nicht so. Wenn wir ein solches kooperatives Spiel spielen, das eine Win-Win-Situation gewährleistet, ist es für uns tatsächlich schwierig, während des Spiels genaue Vorhersagen zu treffen, selbst wenn die Kollaborateure gute Absichten haben.

Philipp Michel: Und das Verhalten der Menschenwelt verändert sich sehr. Einige Haustiere ignorieren den Roboter völlig und andere laufen auf den Roboter zu. Das Gleiche gilt für Fußgänger: Manche ignorieren den Roboter und andere gehen direkt auf ihn zu. Vor allem Kinder sind äußerst neugierig und sehr interaktiv, und wir müssen in der Lage sein, mit allen Situationen sicher umzugehen, und diese Variabilität macht es spannend.

Das obige ist der detaillierte Inhalt vonDas „Geheimnis' der Roboterimplementierung: kontinuierliches Lernen, Wissenstransfer und autonome Teilnahme. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!