九色视频在线观看,97视频公开在线观看视频

為創(chuàng)造一個(gè)不受外界幫助的軟體機(jī)器人，MIT CSAIL 將目光聚焦于深度學(xué)習(xí)。

說(shuō)起軟體機(jī)器人，或許很多人都不覺(jué)得陌生了。

軟體機(jī)器人的發(fā)展離不開(kāi)包括材料學(xué)、機(jī)器人學(xué)、生物力學(xué)、傳感與控制在內(nèi)的多學(xué)科進(jìn)步，近年來(lái)相關(guān)學(xué)科迅速發(fā)展，各類軟體機(jī)器人也開(kāi)始涌現(xiàn)。

機(jī)器人與自動(dòng)化國(guó)際會(huì)議 ICRA 2017 的會(huì)場(chǎng)上，曾參與發(fā)明達(dá)芬奇手術(shù)機(jī)器人的香港中文大學(xué)機(jī)械與自動(dòng)化工程學(xué)系副教授 Samuel Au 這樣向雷鋒網(wǎng)表示：

軟體機(jī)器人在醫(yī)療領(lǐng)域的應(yīng)用十分廣泛，甚至?xí)D(zhuǎn)變醫(yī)療機(jī)器人的范式。軟體機(jī)器人是手術(shù)機(jī)器人的終極目標(biāo)。

當(dāng)然，除了醫(yī)療領(lǐng)域，軟體機(jī)器人還有一個(gè)廣闊的市場(chǎng)——玩具。

這個(gè)市場(chǎng)中，迪士尼對(duì)軟體機(jī)器人頗為關(guān)注。就在去年，迪士尼研究院（Disney Research）曾基于算法和一種特殊的拉伸傳感器，讓軟體機(jī)器人有了「本體感知」的能力。

最近，在世界領(lǐng)先的機(jī)器人專家之一 Daniela Rus 教授的領(lǐng)導(dǎo)下，MIT CSAIL 也做出了類似的成果：基于他們開(kāi)發(fā)的算法，軟體機(jī)器人體內(nèi)的傳感器得到了優(yōu)化，因此能更好地在環(huán)境中感受自身、與環(huán)境互動(dòng)。

相關(guān)論文題為 Co-Learning of Task and Sensor Placement for Soft Robotics（軟體機(jī)器人任務(wù)與傳感器布置的協(xié)同學(xué)習(xí)），將于 2021 年 4 月的 IEEE International Conference on Soft Robotics（IEEE 軟體機(jī)器人國(guó)際會(huì)議）上進(jìn)行展示。

1、讓軟體機(jī)器人回答出“我在哪”

很多人的印象中，機(jī)器人都有著堅(jiān)硬的外殼，充滿金屬感，這便是傳統(tǒng)的剛性機(jī)器人。通常，剛性機(jī)器人關(guān)節(jié)、肢體的有限陣列通過(guò)控制映射和運(yùn)動(dòng)規(guī)劃的算法使得計(jì)算易于掌控。

不同于剛性機(jī)器人，軟體機(jī)器人不論結(jié)構(gòu)還是材料都是非線性的，且擁有多自由度，因此其動(dòng)作任務(wù)更加復(fù)雜，因此對(duì)算法的要求非常高。

正如論文介紹的那樣：

軟體機(jī)器人必須在一個(gè)無(wú)限維的狀態(tài)空間中進(jìn)行推理，而映射這個(gè)連續(xù)狀態(tài)空間并不簡(jiǎn)單（特別是在基于有限的離散傳感器集工作的情況下，畢竟傳感器位置對(duì)機(jī)器人任務(wù)學(xué)習(xí)模型的豐富性有著深遠(yuǎn)影響）。

上面這段話通俗來(lái)講就是，軟體機(jī)器人要想可靠地完成程序設(shè)定的任務(wù)，它們需要知道自己所有身體部位所在的位置，而由于軟體機(jī)器人幾乎可以以無(wú)限種方式變形，因此這項(xiàng)任務(wù)相當(dāng)艱巨。

為了讓軟體機(jī)器人回答出“我在哪”的問(wèn)題，此前科學(xué)家們的策略是：用一個(gè)外部攝像頭來(lái)繪制機(jī)器人的位置，并將信息反饋到機(jī)器人的控制程序中。

但 MIT CSAIL 的想法是：創(chuàng)造一個(gè)不受外界幫助的軟體機(jī)器人。

在研究團(tuán)隊(duì)看來(lái)：

不能在機(jī)器人身上安裝無(wú)數(shù)個(gè)傳感器，真正的問(wèn)題是：要有多少傳感器、要把傳感器放在哪，才有最大的性價(jià)比？

正因如此，MIT CSAIL 將目光聚焦于深度學(xué)習(xí)。

他們開(kāi)發(fā)了一種算法，能夠幫助工程師設(shè)計(jì)出收集更多與周圍環(huán)境相關(guān)的有用信息的軟體機(jī)器人。

具體而言，這種新的協(xié)同學(xué)習(xí)傳感器放置和復(fù)雜任務(wù)的表示方法，可以處理機(jī)載傳感器信息，從而學(xué)習(xí)突出和稀疏的位置選擇，優(yōu)化傳感器在機(jī)器人體內(nèi)的位置，保證機(jī)器人獲得最優(yōu)的任務(wù)性能。

論文合著者之一 Alexander Amini 表示：

這一系統(tǒng)不僅可以學(xué)習(xí)給定的任務(wù)，而且還能學(xué)習(xí)如何以最佳方式設(shè)計(jì)機(jī)器人來(lái)解決任務(wù)。傳感器的放置是一個(gè)非常難解決的問(wèn)題，所以這個(gè)解決方案是非常令人興奮的。

論文顯示，由于許多軟體機(jī)器人在本質(zhì)上是呈節(jié)點(diǎn)的，因此新架構(gòu)采用了基于點(diǎn)-云（point-cloud-based）的學(xué)習(xí)和概率稀疏化。他們的方法將傳感器設(shè)計(jì)視為學(xué)習(xí)的雙重過(guò)程，在單一的端到端培訓(xùn)過(guò)程中結(jié)合了物理和數(shù)字設(shè)計(jì)。

在論文中，研究人員將這種架構(gòu)稱為 PSFE 網(wǎng)絡(luò)（即 point sparsification and feature extraction network，點(diǎn)稀疏化和特征提取網(wǎng)絡(luò)）。

PSFE 網(wǎng)絡(luò)能夠同時(shí)學(xué)習(xí)傳感器的讀數(shù)表示和傳感器的位置。如下圖所示，PSFE 網(wǎng)絡(luò)是研究團(tuán)隊(duì)做的所有演示和應(yīng)用的核心——演示包括對(duì)象抓取預(yù)測(cè)（B）、學(xué)習(xí)本體感受（C）和控制（D）。

事實(shí)證明，在放置傳感器方面，算法的表現(xiàn)大大超過(guò)了人類直覺(jué)！

總結(jié)來(lái)看，這項(xiàng)成果的主要貢獻(xiàn)在于：

對(duì)應(yīng)變和應(yīng)變速率的測(cè)量：用于推理軟體機(jī)器人狀態(tài)的神經(jīng)結(jié)構(gòu)；

一種適用于下游任務(wù)的最小集稀疏化概率傳感器表示，以及一種超越了自動(dòng)化和人工基線的算法；

兩個(gè)任務(wù)（7 種軟性機(jī)器人形態(tài)的觸覺(jué)感知和本體感受）中任務(wù)學(xué)習(xí)和傳感器放置協(xié)同設(shè)計(jì)的演示。

論文合著者之一 Andrew Spielberg 表示：

我們的工作有助于實(shí)現(xiàn)機(jī)器人設(shè)計(jì)自動(dòng)化。除了開(kāi)發(fā)控制機(jī)器人運(yùn)動(dòng)的算法，我們還需要考慮如何對(duì)這些機(jī)器人進(jìn)行感知，以及如何與機(jī)器人的其他組件相互作用。未來(lái)如果在工業(yè)上加以應(yīng)用，影響可能是立竿見(jiàn)影的。

2、關(guān)于作者

該論文作者為包括 Andrew Spielberg 在內(nèi)的三位 MIT CSAIL 在讀博士生以及兩位 MIT 教授 Daniela Rus 和 Wojciech Matusik。

五位作者中，最有名氣的便是 Daniela Rus 教授。

【圖源 HyperAI 超神經(jīng) 】

Daniela Rus 是 MIT CSAIL 主任、Andrew and Erna Viterbi 電氣工程和計(jì)算機(jī)科學(xué)教授、IEEE Fellow、AAAI Fellow、美國(guó)國(guó)家工程院院士，曾于康奈爾大學(xué)獲得計(jì)算機(jī)科學(xué)博士學(xué)位。主要研究領(lǐng)域涵蓋機(jī)器人、移動(dòng)計(jì)算和數(shù)據(jù)科學(xué)。

前不久，福布斯 AI 專欄作家、創(chuàng)業(yè)投資公司 Highland Capital Partners 風(fēng)投專家 Rob Toews 曾撰文，列舉出了 8 位具有代表性的 AI 領(lǐng)域女性領(lǐng)袖，這 8 位女性領(lǐng)袖中包含李飛飛、NVIDIA 工程副總裁、Coursera 創(chuàng)始人，也有 Daniela Rus 的名字。

2016 年，雷鋒網(wǎng)編輯曾與 Daniela Rus 展開(kāi)了一場(chǎng)深入對(duì)談。

在被問(wèn)到“機(jī)器學(xué)習(xí)或深度學(xué)習(xí)最終是否能幫助我們制造出通用型人工智能（AGI）”時(shí)，這位 AI 大牛談到，尚無(wú)法判斷深度學(xué)習(xí)最后到底能不能實(shí)現(xiàn) AGI。

在她看來(lái)，深度學(xué)習(xí)可以說(shuō)是很有潛力，但也存在一些問(wèn)題：

深度學(xué)習(xí)需要大量數(shù)據(jù)去訓(xùn)練，也就意味著需要很深的理解，而通用型智能的學(xué)習(xí)方法應(yīng)該要更“通用”才對(duì)。深度學(xué)習(xí)還是會(huì)犯錯(cuò)。實(shí)際上我們還不太清楚深度學(xué)習(xí)的運(yùn)作原理，不太清楚為什么它表現(xiàn)得這么好。

也就是說(shuō)，只有當(dāng)我們對(duì)深度學(xué)習(xí)甚至我們自己有更深的了解之后，才能回答這個(gè)問(wèn)題。

當(dāng)時(shí) Daniela Rus 也坦言，自己最感興趣的研究領(lǐng)域是機(jī)器人：

我我們正在研究如何制造更好的自動(dòng)化系統(tǒng)，自動(dòng)化系統(tǒng)能深刻的改變這個(gè)世界。改變?nèi)藗兺瓿扇蝿?wù)的方式，并且可以讓我們更好的理解彼此。如果我們能造出一臺(tái)各種行為表現(xiàn)的都和生物很像的機(jī)器。那這臺(tái)機(jī)器的內(nèi)在原理可能跟生物的內(nèi)在原理比較相似，我們可能可以通過(guò)這種研究加深對(duì)我們自己的理解。

如今看來(lái)，在 Daniela Rus 帶領(lǐng)下的 MIT CSAIL 朝著自動(dòng)化系統(tǒng)又邁進(jìn)了一步。

引用來(lái)源：