Taklit öğrenme

Ne anlama gelir?

Taklit öğrenme, robot politikasını örnek davranışlarla eğitir. Manipülasyonda gösterimler, robotun ne gözlemlediğini ve insan operatörün onu nasıl kontrol ettiğini kaydedebilir. Öğrenilmiş sistem daha sonra yeni gözlemlerden yararlı eylemler üretmeye çalışır. robomimic projesi, bu robot öğrenme biçimi için gösterim veri setlerini ve algoritmaları düzenler. [1]

Gösterimlerden öğrenmek, tek bir kaydedilmiş yörüngeyi geri bildirim olmadan kopyalamak anlamına gelmez. Zhao ve meslektaşları, gerçek teleoperasyonla yapılmış gösterimlerden eylem dizileri üzerinde üretken bir model eğitir. Action Chunking with Transformers yaklaşımları, düşük maliyetli donanımla ince manipülasyonun nasıl yürütüleceği sorununu ele alır. [3]

İnsansı robotlarla ilişkisi

Gösterimler, kavramanın yanı sıra gövde hareketiyle de ilgili olabilir. Kepler'in K2 duyurusu, insan yürüyüşünün bazı yönlerini yeniden üretmek için fizik simülatöründe taklit öğrenme ve yürüme için pekiştirmeli öğrenme kullanıldığını anlatır. Bu, diğer insansı robotlarla bağımsız olarak puanlanmış bir karşılaştırma değil, üreticinin eğitim sürecine ilişkin açıklamasıdır. [4]

Manipülasyon araştırmaları, insansı robot kollarıyla ilgili olabilecek ek yöntemler sunar. Diffusion Policy, koşullu difüzyon süreciyle robot eylemleri üretir ve görsel koşullandırmayı kayan ufuklu yürütmeyle birleştirir. Bildirilen görevler manipülasyon kıyaslama ölçütleridir; dolayısıyla yöntemin robot eylemleri üretmesinden hareketle insansı robotun bacaklarını kontrol ettiği varsayılmamalıdır. [2]

Terminoloji ve veri tuzakları

Teleoperasyon, davranış örneklerini toplama veya davranışı gerçekleştirme yoludur; taklit öğrenme ise örneklerden eğitim yoludur. ACT makalesi, özel bir teleoperasyon arayüzüyle gösterim toplar ve bunlardan robot politikası öğrenir. Bir insanın robotu yönettiğini görmek, başarılı öğrenilmiş yürütmeyi değil, gösterim aşamasını ortaya koyar. [3]

Hatalar zamanla birikebilir. Öğrenilmiş bir eylem, robotu gösterimlerden farklı bir duruma sokabilir; bu da bir sonraki karşılaşacağı durumu değiştirir. ACT makalesi bu sorunu ve durağan olmayan insan gösterimlerini pratik zorluklar olarak tanımlar. [3]

Robot politikası mimarisi ile eğitim yöntemi farklı tanımlardır. Diffusion Policy, eylemleri temsil etme ve üretme biçimini belirtirken gösterimden öğrenme, eğitim verisiyle ilişkiyi anlatır. Bir difüzyon politikasını, taklit öğrenme kullandığı söylenen başka bir sistemle karşılaştırmadan önce her ikisini de inceleyin. [1, 2]

humanoidversus.com üzerinde nasıl yorumlanmalı?

Atıf yapılan teknik kaynakta gösterimlerin kaynağını, eğitim yöntemini ve değerlendirmeyi kontrol edin. Yapay zekâ altyapısı, adı belirtilmiş bir robot politikasını kaydedebilir; ancak standartlaştırılmış bir taklit öğrenme kategorisi değildir. K2 kaydı, burada ele alınan resmi eğitim açıklamasına atıf yaptığı için bağlantı verilmiştir. [4]

Taklit öğrenme sıralaması yoktur. Görev videosu, operatör kontrolü, tekrar oynatma veya öğrenilmiş robot politikası gösterip göstermediğini belirtmelidir. Bilinmeyen eğitim verisi, başarısız denemeler ve eksik görev tanımlarıyla ilgili belirsizlikler, robotun donanım özelliklerinden çıkarımla giderilmemelidir.

Ek okuma

robomimic, gösterim veri setleri ve öğrenme araçları sağlar. Diffusion Policy ve ACT, farklı eylem üretme yaklaşımlarını gösterir. Kepler’in duyurusu, insansı robot yürüyüşü örneği verir ve üreticiye ait olduğu belirtilerek aktarılmalıdır. [1–4]