Роботи, які навчаються один в одного

Кожен раз, коли робот Baxter визначає найкращий спосіб взяти і утримати предмет, він пересилає інформацію про цей досвід в хмару, що дає можливість іншим роботам легко скористатися нею.

Існує безліч видів робіт, які люди хотіли б віддати роботам, такі як упаковка товарів на складах, допомога лежачим хворим або солдатам на лінії фронту. Але це поки неможливо, тому що роботи досі не розпізнають прості предмети і не можуть легко поводитися з ними. У людей, як правило, немає проблем з тим, щоб складати шкарпетки або підняти склянку, тому що ми пройшли «процес збору великих даних» під назвою дитинство, говорить Стефані Теллекс (Stefanie Tellex), професор комп'ютерних наук в університеті Брауна (Brown University). Роботам, щоб виконати ті ж типи повсякденних завдань, потрібен доступ до великих обсягів даних про те, як маніпулювати предметами. Звідки ці дані беруться? Як правило - є результатом копіткого програмування. Але в ідеалі роботи могли б отримувати інформацію один від одного.

Це теорія лежить в основі проекту Теллекс Million Object Challenge. Мета полягає в тому, щоб по всьому світу роботи для досліджень вчилися розпізнавати прості предмети, від чашок до бананів, маніпулювати ними і завантажувати свої дані в хмару, щоб інші роботи могли аналізувати і використовувати цю інформацію.

Лабораторія Теллекс в Провіденсі, штат Род-Айленд, справляє враження веселого дитячого садка. У день мого візиту робот Baxter, промислова машина виробництва Rethink Robotics, стояв серед великогабаритних блоків, скануючи невелику розрахунку. Він з шумом переміщував праву руку назад і вперед над об'єктом, роблячи знімки своєю камерою і вимірюючи відстані інфрачервоним датчиком. Потім двозубим захоплюючим пристроєм він намагався різними способами схопити розрахунку, щоб її підняти. Після того, як він піднімав об'єкт, він струсив його, щоб переконатися, що захоплення надійне. Якщо це так, значить, робот навчився брати ще одну річ.

Робот може працювати цілодобово, часто з окремим об'єктом у кожному зі своїх захоплень. Теллекс і її аспірант Джон Оберлін (John Oberlin) зібрали дані (і тепер діляться ними) про, приблизно, двохсти об'єктів, починаючи з таких речей, як дитяче взуття, пластиковий човен, гумова качка, чеснокодавка, інше кухонне приладдя і гуртка-непроливайка, яка спочатку належала трирічному синові Теллекс. Інші вчені можуть внести внесок даними своїх роботів, і Теллекс сподівається, що разом вони створять бібліотеку інформації про те, як роботи повинні поводитися з мільйоном різних речей. Зрештою, роботи, що стоять перед переповненою полицею зможуть «ідентифікувати кулькову ручку перед собою і взяти її», каже Теллекс.Скоро роботи зможуть навчати один одного. Чи будуть люди потрібні їм після цього?

Такі проекти можливі, тому що багато науково-дослідних робіт використовують одні і ті ж стандартні платформи програмування, відомі як ROS. Після того, як одна машина навчилася виконувати завдання, вона може передавати дані іншим і ці машини здатні включити зворотний зв'язок, уточнюючи інструкції, наведені в наступних машинах. Теллекс каже, що інформацію про те, як розпізнати і взяти будь-який предмет, можна стиснути до п'яти-десяти мегабайт, тобто, приблизно до розміру пісні у вашій музичній бібліотеці.

Теллекс була партнером у проекті під назвою RoboBrain, що демонструє, як робот вчиться на чужому досвіді. Її співробітник Ашутош Саксена (Ashutosh Saxena) в Корнелльському університеті (Cornell University) вчив свого робота PR2 (див. про це також https://22century.ru/lebensformen/17018) піднімати невеликі чашки і розставляти їх на столі. Потім в університеті Брауна Теллекс завантажила цю інформацію з хмари і використовувала її, щоб навчити свого Baxtera, який фізично відрізняється від першого робота, щоб він виконав те ж завдання в іншому середовищі.

Зараз прогрес у цій сфері може здатися наростаючим досить поступово, але в найближчі п'ять-десять років нас може очікувати «вибух у здібностях роботів», говорить Саксена, який займає зараз пост генерального директора стартапу Brain of Things («Мозок речей»). Оскільки все більше дослідників вносять внесок у хмарні знання, додає він, то «роботи повинні мати під рукою доступ до всієї інформації, їм необхідної».