محققان UC برکلی برای ارزیابی رویکردهای یادگیری روباتیک ، یک پلت فرم معیار قابل تکرار ، کم هزینه و جمع و جور را ایجاد کرده اند ، که آنها REPLAB نامیده اند. مطالعه اخیر آنها ، در مقاله ای که از قبل روی arXiv منتشر شده است ، توسط برکلی DeepDrive ، دفتر تحقیقات نیروی دریایی (ONR) ، گوگل ، انویدیا و آمازون پشتیبانی شد.
برایان یانگ ، یکی از محققانی که انجام داده است ، گفت: "رویکردهای مبتنی بر یادگیری ماشینی به تازگی روبوتیک رواج یافته است ، اما در حال حاضر به دلیل تفاوت عمده در سخت افزارهای مورد استفاده در آزمایشگاههای مختلف ، روش ساده ای برای مقایسه وجود ندارد." مطالعه ، به TechXplore گفت. "به عنوان مثال ، در تحقیقات تحقیق ، همه چیز از نوع بازو یا گیربکس گرفته شده گرفته تا مواد ساخته شده از گیربکس ، بر عملکرد گرفتن اثر می گذارد ، بنابراین حتی اگر دقت درک بهتری نسبت به یک روش از سال گذشته داشته باشید ، مشخص نیست. آیا این به دلیل کنترل بهتر یا سخت افزار بهتر است. "
در سالهای اخیر ، نیاز به فزاینده ای برای تدابیر استاندارد شده و سیستم عامل های معیار برای ارزیابی رویکردهای یادگیری ماشین برای روباتیک وجود دارد. ایجاد معیارهای مؤثر گاهی اوقات می تواند چالش برانگیز باشد ، به خصوص برای یادگیری روباتیک ، جایی که انتظار می رود ربات ها مدل های آموخته شده را به اشیاء و موقعیت های جدید تعمیم دهند. بستر جدید معیار توسعه یافته در UC Berkeley یک راه حل کم هزینه و به راحتی قابل تکرار برای آزمایش رویکردهای دستکاری شی رباتیک ارائه می دهد.
"سایر کاربردهای یادگیری ماشینی مانند دید رایانه ای و پردازش زبان طبیعی از داشتن مجموعه داده ها و معیارها بسیار سود برده اند ، زیرا آنها تمرکز پژوهش را بر روی مشکلات مهم می گذارند ، راهی برای ترسیم پیشرفت جامعه تحقیقاتی فراهم می کنند و به شناسایی سریع آنها کمک می کنند. انتشار و بهبود ایده های خوب است. " "ما REPLAB را برای ارائه این عملکرد برای جامعه تحقیق یادگیری ربات طراحی کرده ایم."
دو سلول REPLAB در بالای یکدیگر جمع شده اند. اعتبار: یانگ و همکاران.
REPLAB دارای چندین مؤلفه از جمله بازوی روباتیک ، دوربین و فضای کاری است که در یک فضای مکعب 70 40 40 60 60 سانتی متر قرار داده شده است. ساخت این پلت فرم تقریباً 2000 دلار هزینه دارد و می توان تنها در طی چند ساعت مونتاژ کرد. طراحی جمع و جور و کم هزینه آن به محققان بیشتری ، حتی کسانی که بودجه محدود دارند ، اجازه می دهد تا چارچوبها و رویکردهای خود را ارزیابی کنند.
جیارامان توضیح داد: REPLAB یک بستر سخت افزاری کاملاً استاندارد برای دستکاری رباتیک است که با استفاده آسان از ذهن ساخته می شود. "این شامل یک بازوی کم هزینه (Trossen WidowX) ، یک دوربین RGB-D (Intel Realsense SR300) و یک فضای کاری استاندارد و جمع و جور است که به راحتی در چند ساعت با استفاده از دستورالعمل های مونتاژ ما جمع می شود . همه در کنار هم قرار می گیرند ، یک کل. سلول REPLAB حدود 2k USD (در مقایسه با تنظیمات بازوی استاندارد که 40-50k هزینه دارد) هزینه دارد ، حدود 10 برابر فضای کمتری نسبت به یک نوع بازوی استاندارد اشغال می کند. "
علاوه بر خود پلتفرم ، محققان الگویی را برای یک معیار درک ارائه دادند که شامل یک تعریف وظیفه و پروتکل ارزیابی ، اقدامات عملکرد و یک مجموعه داده از 92000 تلاش برای درک است. مبانی اولیه این معیار از طریق پیاده سازی ، ارزیابی و تجزیه و تحلیل چندین رویکرد درک واقعی موجود است.
"از آنجا که ما این بستر سخت افزاری استاندارد را داریم ، ما همچنین می توانیم یک بسته نرم افزاری منبع باز را با پیاده سازی های الگوریتم های مختلف یادگیری روبات ها به اشتراک بگذاریم (تاکنون الگوریتم های یادگیری نظارت شده برای گرفتن و تقویت الگوریتم های یادگیری برای رسیدن به نقطه 3 بعدی رسیدن)". جیاماران گفت. "اگر یک سلول REPLAB را از خود بسازید ، می توانید یک تصویر Docker را که حاوی این پیاده سازی ها است ، بارگیری کنید و آنها را خارج از جعبه روی سلول خود اجرا کنید."
یک سلول REPLAB بدون حاشیه نویسی. اعتبار: یانگ و همکاران.
تا کنون ، محققان در درجه اول ارزیابی هایی را با هدف تأیید امکان سنجی REPLAB به عنوان بستری برای تحقیقات تجدید پذیر در یادگیری روباتیک انجام داده اند و با تمرکز روی دو کار خاص: درک و رسیدن به نقطه 3 بعدی. به عبارت دیگر ، آنها از بستر خود برای پیاده سازی و ارزیابی چندین رویکرد یادگیری عمیق تحت نظارت برای این کارهای درک خاص استفاده کرده اند. یافته های آنها حاکی از آن است که این پلت فرم الگوریتم های موجود را در معرض چالش های تا حدودی قابل فهم قرار می دهد که برای توسعه روبات هایی که در طبیعت عملکرد خوبی دارند ، از جمله فعال سازی پر سر و صدا بسیار مهم است.
بیشتر بخوانید: پمپ وکیوم چیست؟
جیاماران گفت: "ما تأیید کردیم که نتایج در بین چندین سلول REPLAB سازگار است ، که برای فکر کردن در مورد اجرای الگوریتم های مبتنی بر REPLAB و ارزیابی های قابل تجدید مهم است." "ما معتقدیم که REPLAB معیارهای پیشرفت مداوم و قابل تکرار را برای یادگیری روبات ها تسهیل می کند ، مانع از ورود به روباتیک برای محققان در رشته های مرتبط مانند یادگیری ماشین را کاهش داده و کد و داده های قابل تقسیم را در بین محققان ترغیب می کند."
بستر جدید معرفی شده توسط یانگ ، جیارامان و همکارانشان به زودی می توانند محققان بیشتری را برای ارزیابی رویکردها برای طیف گسترده ای از کارهای دستکاری فراهم کنند. با این حال ، مانند سایر سیستم عامل های benchmank ، برای موفقیت ، استفاده از REPLAB باید جامعه تحقیق یادگیری ربات را درگیر کند.
جیارامان گفت: "در حالی که سالهاست که ما برای حفظ بستر های نرم افزاری سرمایه گذاری می کنیم ، ما از مشارکت جامعه مانند اجرای جدید الگوریتم ، مجموعه داده ها و معیارها و بستر منبع باز ما دعوت می کنیم." "چشم انداز بزرگ رسیدن به نقطهای است که اگر یک الگوریتم جدید یادگیری ربات مدرن آزاد شود ، یک محقق که در هر نقطه از جهان نشسته است ، می تواند با اجرای چند برنامه ، بارگیری ، ارزیابی ، تکرار و بهبود یابد. روزها. فکر می کنیم REPLAB با انجام دو کار باعث تسریع در تحقیقات می شود: کاهش سد ورود و اجازه دادن افراد بیشتری به شرکت در تحقیقات پیشرفته ، و اجازه دادن به این نوع تکرار سریع و بهبود از طریق به اشتراک گذاری کد. "
در آینده پژوهان ، محققان UC Berkeley قصد دارند که سکوی خود را بیشتر توسعه دهند و یک شبیه ساز کامل سلول و الگوریتم های REPLAB را برای کنترل قوی اضافه کنند ، ضمن اینکه با چالش های جدید دستکاری نیز مقابله می کنند. آنها همچنین امیدوارند که بتوانند تصویر repo و docker github REPLAB رسمی REPLAB را گسترش دهند ، از جمله اجرای الگوریتم های پیشرفته تر.
محققان UC برکلی برای ارزیابی رویکردهای یادگیری روباتیک ، یک پلت فرم معیار قابل تکرار ، کم هزینه و جمع و جور را ایجاد کرده اند ، که آنها REPLAB نامیده اند. مطالعه اخیر آنها ، در مقاله ای که از قبل روی arXiv منتشر شده است ، توسط برکلی DeepDrive ، دفتر تحقیقات نیروی دریایی (ONR) ، گوگل ، انویدیا و آمازون پشتیبانی شد.
برایان یانگ ، یکی از محققانی که انجام داده است ، گفت: "رویکردهای مبتنی بر یادگیری ماشینی به تازگی روبوتیک رواج یافته است ، اما در حال حاضر به دلیل تفاوت عمده در سخت افزارهای مورد استفاده در آزمایشگاههای مختلف ، روش ساده ای برای مقایسه وجود ندارد." مطالعه ، به TechXplore گفت. "به عنوان مثال ، در تحقیقات تحقیق ، همه چیز از نوع بازو یا گیربکس گرفته شده گرفته تا مواد ساخته شده از گیربکس ، بر عملکرد گرفتن اثر می گذارد ، بنابراین حتی اگر دقت درک بهتری نسبت به یک روش از سال گذشته داشته باشید ، مشخص نیست. آیا این به دلیل کنترل بهتر یا سخت افزار بهتر است. "
در سالهای اخیر ، نیاز به فزاینده ای برای تدابیر استاندارد شده و سیستم عامل های معیار برای ارزیابی رویکردهای یادگیری ماشین برای روباتیک وجود دارد. ایجاد معیارهای مؤثر گاهی اوقات می تواند چالش برانگیز باشد ، به خصوص برای یادگیری روباتیک ، جایی که انتظار می رود ربات ها مدل های آموخته شده را به اشیاء و موقعیت های جدید تعمیم دهند. بستر جدید معیار توسعه یافته در UC Berkeley یک راه حل کم هزینه و به راحتی قابل تکرار برای آزمایش رویکردهای دستکاری شی رباتیک ارائه می دهد.
"سایر کاربردهای یادگیری ماشینی مانند دید رایانه ای و پردازش زبان طبیعی از داشتن مجموعه داده ها و معیارها بسیار سود برده اند ، زیرا آنها تمرکز پژوهش را بر روی مشکلات مهم می گذارند ، راهی برای ترسیم پیشرفت جامعه تحقیقاتی فراهم می کنند و به شناسایی سریع آنها کمک می کنند. انتشار و بهبود ایده های خوب است. " "ما REPLAB را برای ارائه این عملکرد برای جامعه تحقیق یادگیری ربات طراحی کرده ایم."
دو سلول REPLAB در بالای یکدیگر جمع شده اند. اعتبار: یانگ و همکاران.
REPLAB دارای چندین مؤلفه از جمله بازوی روباتیک ، دوربین و فضای کاری است که در یک فضای مکعب 70 40 40 60 60 سانتی متر قرار داده شده است. ساخت این پلت فرم تقریباً 2000 دلار هزینه دارد و می توان تنها در طی چند ساعت مونتاژ کرد. طراحی جمع و جور و کم هزینه آن به محققان بیشتری ، حتی کسانی که بودجه محدود دارند ، اجازه می دهد تا چارچوبها و رویکردهای خود را ارزیابی کنند.
جیارامان توضیح داد: REPLAB یک بستر سخت افزاری کاملاً استاندارد برای دستکاری رباتیک است که با استفاده آسان از ذهن ساخته می شود. "این شامل یک بازوی کم هزینه (Trossen WidowX) ، یک دوربین RGB-D (Intel Realsense SR300) و یک فضای کاری استاندارد و جمع و جور است که به راحتی در چند ساعت با استفاده از دستورالعمل های مونتاژ ما جمع می شود . همه در کنار هم قرار می گیرند ، یک کل. سلول REPLAB حدود 2k USD (در مقایسه با تنظیمات بازوی استاندارد که 40-50k هزینه دارد) هزینه دارد ، حدود 10 برابر فضای کمتری نسبت به یک نوع بازوی استاندارد اشغال می کند. "
علاوه بر خود پلتفرم ، محققان الگویی را برای یک معیار درک ارائه دادند که شامل یک تعریف وظیفه و پروتکل ارزیابی ، اقدامات عملکرد و یک مجموعه داده از 92000 تلاش برای درک است. مبانی اولیه این معیار از طریق پیاده سازی ، ارزیابی و تجزیه و تحلیل چندین رویکرد درک واقعی موجود است.
"از آنجا که ما این بستر سخت افزاری استاندارد را داریم ، ما همچنین می توانیم یک بسته نرم افزاری منبع باز را با پیاده سازی های الگوریتم های مختلف یادگیری روبات ها به اشتراک بگذاریم (تاکنون الگوریتم های یادگیری نظارت شده برای گرفتن و تقویت الگوریتم های یادگیری برای رسیدن به نقطه 3 بعدی رسیدن)". جیاماران گفت. "اگر یک سلول REPLAB را از خود بسازید ، می توانید یک تصویر Docker را که حاوی این پیاده سازی ها است ، بارگیری کنید و آنها را خارج از جعبه روی سلول خود اجرا کنید."
یک سلول REPLAB بدون حاشیه نویسی. اعتبار: یانگ و همکاران.
تا کنون ، محققان در درجه اول ارزیابی هایی را با هدف تأیید امکان سنجی REPLAB به عنوان بستری برای تحقیقات تجدید پذیر در یادگیری روباتیک انجام داده اند و با تمرکز روی دو کار خاص: درک و رسیدن به نقطه 3 بعدی. به عبارت دیگر ، آنها از بستر خود برای پیاده سازی و ارزیابی چندین رویکرد یادگیری عمیق تحت نظارت برای این کارهای درک خاص استفاده کرده اند. یافته های آنها حاکی از آن است که این پلت فرم الگوریتم های موجود را در معرض چالش های تا حدودی قابل فهم قرار می دهد که برای توسعه روبات هایی که در طبیعت عملکرد خوبی دارند ، از جمله فعال سازی پر سر و صدا بسیار مهم است.
بیشتر بخوانید: پمپ وکیوم چیست؟
جیاماران گفت: "ما تأیید کردیم که نتایج در بین چندین سلول REPLAB سازگار است ، که برای فکر کردن در مورد اجرای الگوریتم های مبتنی بر REPLAB و ارزیابی های قابل تجدید مهم است." "ما معتقدیم که REPLAB معیارهای پیشرفت مداوم و قابل تکرار را برای یادگیری روبات ها تسهیل می کند ، مانع از ورود به روباتیک برای محققان در رشته های مرتبط مانند یادگیری ماشین را کاهش داده و کد و داده های قابل تقسیم را در بین محققان ترغیب می کند."
بستر جدید معرفی شده توسط یانگ ، جیارامان و همکارانشان به زودی می توانند محققان بیشتری را برای ارزیابی رویکردها برای طیف گسترده ای از کارهای دستکاری فراهم کنند. با این حال ، مانند سایر سیستم عامل های benchmank ، برای موفقیت ، استفاده از REPLAB باید جامعه تحقیق یادگیری ربات را درگیر کند.
جیارامان گفت: "در حالی که سالهاست که ما برای حفظ بستر های نرم افزاری سرمایه گذاری می کنیم ، ما از مشارکت جامعه مانند اجرای جدید الگوریتم ، مجموعه داده ها و معیارها و بستر منبع باز ما دعوت می کنیم." "چشم انداز بزرگ رسیدن به نقطهای است که اگر یک الگوریتم جدید یادگیری ربات مدرن آزاد شود ، یک محقق که در هر نقطه از جهان نشسته است ، می تواند با اجرای چند برنامه ، بارگیری ، ارزیابی ، تکرار و بهبود یابد. روزها. فکر می کنیم REPLAB با انجام دو کار باعث تسریع در تحقیقات می شود: کاهش سد ورود و اجازه دادن افراد بیشتری به شرکت در تحقیقات پیشرفته ، و اجازه دادن به این نوع تکرار سریع و بهبود از طریق به اشتراک گذاری کد. "
در آینده پژوهان ، محققان UC Berkeley قصد دارند که سکوی خود را بیشتر توسعه دهند و یک شبیه ساز کامل سلول و الگوریتم های REPLAB را برای کنترل قوی اضافه کنند ، ضمن اینکه با چالش های جدید دستکاری نیز مقابله می کنند. آنها همچنین امیدوارند که بتوانند تصویر repo و docker github REPLAB رسمی REPLAB را گسترش دهند ، از جمله اجرای الگوریتم های پیشرفته تر.
زمستان می تواند یک مزاحمت مزرعه خورشیدی برای شبکه برق باشد