Робот SemExp как показательный пример понимающей машины

Робот SemExp как показательный пример понимающей машины

Робот, переходящий из точки A в точку B, рассматривается более эффективным устройством, если «понимает», что точка A – это, к примеру, диван, размещённый в гостиной комнате, а точка B – это холодильник кухни. Причём подобного рода понимание необходимо даже для мест незнакомых. Именно такая идея здравого смысла заложена в основу «семантической» навигационной системы «SemExp», которую удалось разработать специалистам Университета Карнеги-Меллона.

Робот «SemExp» — победитель конкурса машин

Уникальная инновационная навигационная система, получившая наименование – «SemExp», получила статус победителя популярного конкурса «Habitat ObjectNav Challenge». Робот «SemExp» является примером семантических исследований, когда используется машинное обучение с целью обучения машины распознанию существующих окружающих объектов.

Так, например, если машине известна разница между такими объектами, как стол для кухни и журнальный столик, плюс машина «понимает», где такого типа объекты могут присутствовать в доме, задача навигации вполне разрешима. Подобное «понимание» открывает для системы, по сути, стратегическое мышление на тот счёт, — где и что искать.

Здравый смысл позволяет говорить о том, что когда требуется найти холодильник, первое что нужно сделать – отправиться в помещение кухни. Роботизированные навигационные системы в классическом исполнении, напротив, настроены на исследование пространства с целью формирования карты с препятствиями. Робот, конечно, попадёт в точку назначения в любом случае. Вопрос лишь в степени сложности маршрута.

Ранее предпринимаемые попытки применения машинного обучения к системам семантической навигации ограничивались возможностями запоминания объектов и точек расположения исключительно в конкретных средах. Соответственно, для различных заранее неизвестных сред ситуация усложняется.

Проблему удалось решить созданием модульной системы «SemExp». Таким устройством для поиска используется индивидуальная семантическая информация под определение наиболее подходящих мест возможного расположения конкретного объекта. После того как система определяет направление поиска, машине останется применить классическое планирование для достижения конкретной цели.

SemExp — модульный подход и результат применения

Как показали испытания, модульный подход продемонстрировал высокую эффективность. Процедура обучения предполагает сосредоточение робота на относительных факторах определения объектов и планировки помещения.

Обучение планированию маршрута обучения здесь уже не даёт нужного результата. Семантическими рассуждениями определяется самая эффективная стратегия поиска. В конце концов, благодаря навигационному планированию робот достигает той цели, куда следовало попасть максимально быстро.


При помощи информации: CMU