Un robot que viaja del punto A al punto B es más eficiente si comprende que el punto A es el sofá de la sala de estar y el punto B es un refrigerador, incluso si está en un lugar desconocido. Esa es la idea de sentido común detrás de una "semántica"sistema de navegación desarrollado por la Universidad Carnegie Mellon y Facebook AI Research FAIR.
Ese sistema de navegación, llamado SemExp, ganó el mes pasado el Habitat ObjectNav Challenge durante la conferencia virtual Computer Vision y Pattern Recognition, superando a un equipo de Samsung Research China. Fue el segundo primer lugar consecutivo para el equipo de CMU en la publicación anual.desafío.
SemExp, o Exploración semántica orientada a objetivos, utiliza el aprendizaje automático para entrenar a un robot para que reconozca objetos, conociendo la diferencia entre una mesa de cocina y una mesa auxiliar, por ejemplo, y para comprender en qué lugar de la casa es probable que tales objetos"Esto permite que el sistema piense estratégicamente sobre cómo buscar algo", dijo Devendra S. Chaplot, estudiante de doctorado en el Departamento de Aprendizaje Automático de CMU.
"El sentido común dice que si estás buscando un refrigerador, será mejor que vayas a la cocina", dijo Chaplot. Los sistemas de navegación robóticos clásicos, por el contrario, exploran un espacio construyendo un mapa que muestra los obstáculos. El robot eventualmentellega a donde necesita ir, pero la ruta puede ser tortuosa.
Los intentos anteriores de utilizar el aprendizaje automático para entrenar sistemas de navegación semántica se han visto obstaculizados porque tienden a memorizar objetos y su ubicación en entornos específicos. No solo son complejos estos entornos, sino que el sistema a menudo tiene dificultades para generalizar lo que ha aprendido en diferentes entornos.
Chaplot - trabajando con Dhiraj Gandhi de FAIR, junto con Abhinav Gupta, profesor asociado en el Instituto de Robótica, y Ruslan Salakhutdinov, profesor en el Departamento de Aprendizaje Automático - eludieron ese problema al hacer de SemExp un sistema modular.
Chaplot dijo que "el sistema utiliza sus conocimientos semánticos para determinar los mejores lugares para buscar un objeto específico". Una vez que decida a dónde ir, puede usar la planificación clásica para llegar allí "
Este enfoque modular resulta ser eficiente de varias maneras. El proceso de aprendizaje puede concentrarse en las relaciones entre los objetos y los diseños de la sala, en lugar de también en la planificación de la ruta de aprendizaje. El razonamiento semántico determina la estrategia de búsqueda más eficiente. Finalmente, la planificación de navegación clásica obtieneel robot donde necesita ir lo más rápido posible.
La navegación semántica en última instancia facilitará que las personas interactúen con los robots, permitiéndoles simplemente decirle al robot que busque un artículo en un lugar en particular o darle instrucciones como "ir a la segunda puerta a la izquierda".
Video: http://www.youtube.com/watch?v=FhIut4bqFyw&feature=emb_logo
Fuente de la historia :
Materiales proporcionado por Universidad Carnegie Mellon . Original escrito por Byron Spice. Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :