Nghiên cứu mới nhất cho thấy việc mở rộng các tập dữ liệu có “dữ liệu giả” giúp tăng hiệu suất của robot ít nhất 40%.
Một phương pháp mới mở rộng tập dữ liệu huấn luyện cho rô-bốt hoạt động với những vật mềm như dây thừng và vải hoặc trong các tình huống tắc nghẽn, tiến một bước tới việc tạo ra rô-bốt có thể học nhanh chóng giống như con người.
Chúng tôi có ý gì khi nói dữ liệu giả mạo?
Chương trình được tạo ra bởi các chuyên gia robot tại Đại học Michigan và có thể giảm lượng thời gian cần thiết để tìm hiểu các tài liệu và cách sắp xếp mới từ một hoặc hai tuần xuống còn vài giờ.
Trong các mô phỏng, tập dữ liệu huấn luyện lớn hơn đã tăng hơn gấp đôi tỷ lệ thành công khi rô-bốt quấn dây quanh khối động cơ và tăng hơn 40% so với tỷ lệ thành công của rô-bốt vật lý thực hiện nhiệm vụ tương tự.
Đó là một trong những công việc mà một thợ cơ khí robot cần phải thành thạo. Tuy nhiên, theo Dmitry Berenson, phó giáo sư về robot của UM và là tác giả cấp cao của một nghiên cứu được trình bày hôm nay tại Robotics: Science and Systems ở thành phố New York, việc học cách vận hành từng ống hoặc dây đai lạ sẽ cần một lượng dữ liệu cực lớn, có thể được thu thập. trong nhiều ngày hoặc nhiều tuần.
Trong thời gian đó, robot sẽ thử nghiệm với ống mềm, kéo dài nó ra, nối các đầu của nó lại, quấn nó quanh các vật thể, v.v. cho đến khi nó nhận thức được tất cả các chuyển động có thể có mà ống mềm có thể thực hiện.
Berenson cho biết: “Nếu robot cần chơi với ống mềm trong một thời gian dài trước khi có thể lắp đặt nó thì điều đó sẽ không hiệu quả đối với nhiều ứng dụng”.
Quả thực, một đồng nghiệp robot đòi hỏi nhiều thời gian như vậy có lẽ sẽ không được các thợ máy con người đón nhận nồng nhiệt. Do đó, Berenson và Peter Mitrano, một nghiên cứu sinh tiến sĩ về robot, đã sửa đổi một thuật toán tối ưu hóa để cho phép máy tính thực hiện một số khái quát hóa mà con người thực hiện, chẳng hạn như dự đoán động lực học trong một trường hợp sẽ tái tạo như thế nào trong các trường hợp khác.
Trong một trường hợp, robot đã điều khiển các ống trụ trên một sàn chật cứng. Xi lanh đôi khi không tiếp xúc với bất cứ thứ gì, nhưng những lần khác thì nó lại tiếp xúc và kết quả là các xi lanh khác chuyển động.
Nếu hình trụ không tiếp xúc với bất cứ thứ gì, quá trình này có thể được lặp lại ở bất kỳ đâu trên bàn mà quỹ đạo không dẫn nó vào các hình trụ khác. Con người sẽ hiểu được điều này, nhưng robot sẽ cần phải tìm ra. Và thay vì thực hiện các thí nghiệm tốn thời gian, chương trình của Mitrano và Berenson có thể cung cấp các biến thể về kết quả của thí nghiệm ban đầu nhằm hỗ trợ robot theo cách tương tự.
Các nhà nghiên cứu tập trung vào ba đặc điểm của dữ liệu giả mạo của họ. Nó phải phù hợp, đa dạng và hợp pháp. Ví dụ: nếu bạn chỉ quan tâm đến việc robot di chuyển các hình trụ trên bàn thì dữ liệu trên sàn sẽ không liên quan. Mặt khác, dữ liệu giả mạo phải được đa dạng hóa – tất cả các khu vực của bảng và mọi quan điểm đều phải được nghiên cứu.
“Nếu bạn tối đa hóa tính đa dạng của dữ liệu, nó sẽ không đủ liên quan. Nhưng nếu bạn tối đa hóa mức độ liên quan thì nó sẽ không có đủ sự đa dạng. Cả hai đều quan trọng,” Mitrano giải thích.
Cuối cùng, dữ liệu phải chính xác. Ví dụ: bất kỳ mô phỏng nào trong đó hai hình trụ chiếm cùng một không gian có thể không hợp lệ và phải được dán nhãn như vậy để robot biết rằng điều này sẽ không xảy ra.
Mitrano và Berenson đã tăng bộ dữ liệu cho mô phỏng và thử nghiệm dây bằng cách chiếu vị trí của dây tới các vị trí bổ sung trong một phiên bản ảo của môi trường vật lý – miễn là dây hoạt động giống như trong trường hợp ban đầu.
Robot ảo quấn dây quanh khối động cơ trong 48% thời gian chỉ sử dụng dữ liệu huấn luyện ban đầu. Robot đã thành công 70% sau khi huấn luyện trên tập dữ liệu giả tăng cường.
Theo thử nghiệm điều tra việc học nhanh chóng với một robot thực sự, việc cho robot mở rộng mỗi lần thử theo cách này gần như tăng gấp đôi tỷ lệ thành công của nó trong suốt 30 lần thử, với 13 lần thử thành công so với 7 lần.
