Jak vycvičit robota (pomocí superpočítačů s umělou inteligencí)

Příklady 3D mračen bodů syntetizovaných sítí Advanced Conventional Generator Network (PCGAN) pro řadu tříd objektů. PCGAN generuje jak geometrii, tak barvu pro mračna bodů prostřednictvím nekontrolovaného tréninkového procesu. Půjčka William Becks, UT Arlington

Počítačoví vědci z UT Arlington používají systémy TACC k vytváření syntetických předmětů pro výcvik robotů.

Před příchodem na Texaskou univerzitu v Arlingtonu jako odborný asistent výpočetní techniky a založením laboratoří Robotic Vision Labs se William Becks stal stážistou v iRobot, největším světovém výrobci spotřebitelských robotů (hlavně prostřednictvím robotického vakua Roomba). ,

Pro navigaci v zastavěném prostředí musí být roboti schopni cítit և rozhodovat o tom, jak komunikovat s jejich terénem. Vědci společnosti se zajímali o to, aby se stroj naučil hlouběji učit své roboty, aby se učili o objektech, ale k tomu potřebují velkou databázi obrazů. I když existují miliony fotografií a videí z pokojů, žádný z nich nebyl natočen z robotického vakua. Pokusy vycvičit lidi, aby používali obrázky s lidskou perspektivou, selhaly.

Becksův výzkum se zaměřuje na robotiku, počítačové vidění a kyberfyzikální systémy. „Zejména se zajímám o vývoj algoritmů, které strojům umožní učit se ze svých interakcí s fyzickým světem a automaticky získávat dovednosti potřebné k provádění úkolů na vysoké úrovni,“ řekl.

O několik let později si Becks s výzkumným týmem šesti studentů výpočetní techniky vzpomněl na výukový problém Roomby a začal studovat řešení. Příručka, kterou někteří používají, předpokládá použití drahé 360stupňové kamery k zachycení okolí (včetně pronajatých domů Airbnb) և speciální softwarový program pro malování celého obrazu. Ale Becks si myslel, že metoda ručního snímání bude příliš pomalá, než aby uspěla.

3D mračna bodů syntetizovaná pokročilou konvenční generativní sítí protivníků

Příklady 3D mračen bodů syntetizovaných sítí Advanced Conventional Generator Network (PCGAN). Půjčka: William Becks, Mohammad Samuel Arshad, UT Arlington

Místo toho hledal důkladného výcvikového koně známého jako generování protivných sítí, nebo GNS, kde dvě neurální sítě navzájem konkurují, zatímco nový datový „generátor“ může oklamat „diskriminační“. Jakmile je tato síť proškolena, umožní vám vytvořit nekonečné množství možných místností nebo venkovních prostředí s různými typy židlí nebo stolů nebo mírně odlišnými vozidly, ale se stejnými objekty rozpoznatelnými pro osobního robota. և Charakteristika:

„Můžete tyto objekty narušit, přesunout je do nových pozic, použít různá světla, barvy, textury a poté z nich udělat cvičný obraz, který lze použít v databázi,“ vysvětlil. „Tento přístup může poskytnout neomezené množství dat pro výrobu robota.“

„Ruční návrh těchto objektů bude vyžadovat spoustu zdrojů – hodiny lidské práce, zatímco při správném zaškolení je generování sítí může vytvořit během několika sekund,“ řekl Mohammad Samiul Arshad, postgraduální student ve společnosti Baxi Group.

Vytváření objektů pro syntetické scény

Po počátečním experimentování si Becks uvědomil, že jeho sen o vytvoření úplných fotorealistických scén je nyní nedosažitelný. „Šli jsme o krok dále, studovali jsme aktuální výzkum, abychom zjistili, jak začít v menším měřítku vytvářením jednoduchých objektů v prostředí.“

Beksi և Arshad představil PCGAN, první konvenční generativní antimonopolní síť pro vytváření hustých mraků barevných bodů v nekontrolovaném režimu. 3D Vision International Conference (3DV) 2020 v listopadu. Jejich práce „Progresivní podmíněná generativní příležitostná síť pro vytváření hustých, barevných 3D mračen bodů“ ukazuje, že jejich síť je schopná se učit ze školicí sady (odvozené z databáze modelů ShapeNetCore, CAD) napodobovat distribuci 3D dat pomocí různých řešení. k vytvoření barevných mračen bodů s jemnými detaily.

„Bylo možné provést nějakou práci na vytvoření syntetických položek z této databáze modelů CAD,“ řekl. „Ale nikdo ještě nemohl upravit barvu.“

Aby si Baxi vyzkoušel svou metodu na různých koních, vybral pro své zkušenosti židle, stoly, pohovky, letadla a motocykly. Tento nástroj umožňuje vědcům přístup k téměř nekonečnému počtu možných variant sbírky objektů generujících systém hlubokého učení.

„Náš model se nejprve naučí základní strukturu objektu při nízkých rozlišeních a postupně sestavuje detaily na vysoké úrovni,“ vysvětlil. „Spojení mezi částmi objektu a jejich barvami, například nohy židle / stolu jsou stejné barvy a sedadlo / deska stejné barvy, se také naučila síť. Začínáme v malém, pracujeme s objekty, vytváříme hierarchie a vytváříme plné syntetické scény, které budou pro robotiku nesmírně užitečné. “

Pro každou třídu vygenerovali 5 000 náhodných vzorků a vyhodnotili je pomocí řady různých metod. Vyhodnotili jak geometrii, tak barvu mračna bodů pomocí řady běžných měření v terénu. Jejich výsledky ukázaly, že PCGAN byl schopen syntetizovat vysoce kvalitní mračna bodů pro různé třídy objektů.

Sim2Real:

Další problém, na kterém Beksi pracuje, je hovorově známý jako „sim2real“. „Máte skutečná tréninková data, syntetická tréninková data, mohou existovat jemné rozdíly v tom, jak se z nich učí systém AI nebo robot,“ řekl. „Sim2real zkoumá, jak tyto rozdíly kvantifikovat, aby simulace byly realističtější, a to natáčením fyziky scény třením, srážkami, gravitací, paprsky nebo sledováním fotonů.“

Dalším krokem týmu Beksi je instalace softwaru na robota a srovnání jeho fungování se SIM doménou v reálném čase.

Výuka modelu PCGAN byla umožněna zdrojem hloubkového učení Maverick 2 od TACC, ke kterému měli Becks և a jeho studenti přístup prostřednictvím programu University of Texas Cyber ​​Infrastructure Research (UTRC), který poskytuje výpočetní zdroje vědcům v jakémkoli UT systém. 14 institucí.

„Pokud chcete zvýšit rozlišení tak, aby zahrnovalo více bodů podrobněji, pak toto zvýšení přichází se zvýšením odhadované hodnoty,“ řekl. „Tyto hardwarové prostředky v mé laboratoři nemáme, takže jsme museli použít TACC.“

Kromě potřeb výpočtu Beksi vyžadoval pro výzkum velký sklad. „Tyto databáze jsou obrovské, zejména 3D mračna bodů,“ řekl. „Vytváříme stovky megabajtů dat za sekundu. Mrak v každém bodě je 1 milion jednotek. K tomu potřebujete obrovský sklad. “

Ačkoli Becks říká, že průmysl má stále daleko od toho, aby měl opravdu dobré roboty, které mohou být dlouhodobě autonomní, bude mít prospěch z mnoha oblastí, včetně zdravotnictví, výroby a zemědělství.

„Publikace je jen malým krokem ke konečnému cíli vytváření syntetických scén vnitřního prostředí s cílem rozvíjet schopnosti robotického vnímání,“ uvedl.

Odkaz. „Mahmed Samuel Arshad և William B. Becks, 12. října 202,„ Pokročilá podmíněná generativní síť protivníků pro vytváření hustých, barevných 3D mračen bodů “ Uznání počítačového vidění – pravidelnost,
arXiv: 2010.05391:
PDF:

Related articles

Comments

LEAVE A REPLY

Please enter your comment!
Please enter your name here

Share article

Latest articles

Líheň je otevřená, stanici zabírá 10 členů posádky

Nově přidaný personál stanice, který se skládal z 10 členů, se shromáždil v servisní jednotce Zvezda, aby uspořádali uvítací ceremoniál s rodinnými příslušníky a...

Chronické virové infekce mohou mít hluboký trvalý účinek na imunitu člověka, podobně jako stárnutí

Analýza topologie sítě funkce imunitního systému představující desítky integrovaných buněčných odpovědí, které jsou během odstraňování viru hepatitidy C u lidí obráceny. Zkoumané signální...

Byly odhaleny bizarní dýchací orgány 450 milionů let starých mořských živočichů

Zápočet: UCR Trilobité měli při dýchání jednu nohu Nová studie našla první důkazy o vysoce vyvinutých dýchacích orgánech u mořských živočichů starých 450 milionů let. ...

“Čmáranice světla” v reálném čase

Vědci z Tokijské metropolitní univerzity vyvinuli zjednodušený algoritmus pro převod volně nakreslených čar na standardním stolním procesoru na hologramy. Dramaticky snižují náklady na...

Mineralogie hluboké kůry Země pohání hotspoty pro domácí život

Tým DeMMO Field zleva doprava: Lily Mumper, Britney Kruger a Caitlin Cesar vzorky zlomenin z vrtné soupravy DeMMO. Kredit: © Matt Kapost Pod zeleným...

Newsletter

Subscribe to stay updated.