新的开发框架可以使机器人自主优化超参数石家庄

发布时间：2022-07-29 05:08:46

新的开发框架可以使机器人自主优化超参数

里昂中央大学的研究人员最近设计了一个新的开发框架，该框架的灵感来自人类的长期记忆和推理机制。

该框架概述于东京在IEEE ICDL-Epirob上发表的论文中，并预先发布在arXiv上，它使机器人能够自动优化从任何动作和/或视觉模块调整的超参数，这些超参数被视为黑匣子。

近年来，研究人员已经建造了可以完成各种任务的机器人但是，这些机器人的操作环境通常受到一定限制。这是因为在机器人技术中，大多数算法是由人类专家手动制作和优化的，以预测机器人在给定情况下可能遇到的潜在挑战。

“但是，例如，在处理不确定性时，当机器人在其生命周期内不得不频繁处理新物体时，总是依靠其他程序，并且人类工程师的优化是不可行的：机器人必须自己学习。”

进行这项研究的研究人员之一马克西姆·佩蒂特告诉TechXplore。“我们希望为机器人提供学习机制，以使它们能够自主运行并适应各种情况，即使无法预料到这些情况。”

开发能够自动适应不同情况的机器人可能具有许多有用的应用程序，例如在工业机器人技术的背景下，在这种情况下，机械臂需要从均质的块中拾取未知物体。

佩蒂特解释说：“我们希望机器人能够在不到几个小时的时间内针对每个物体自动优化基于视觉的抓握软件的参数。”

“为此，我们使用了一个发展框架，旨在复制儿童如何学习世界。特别是，我们希望利用物体之间的相似性，通过将一项任务的知识转移到另一项相似的任务来加快学习过程。。”

Petit和他的同事们提出的开发框架旨在通过类似于人类儿童中观察到的过程，使机器人终身终身学习新技能。

为了实现这一目标，他们的框架包括一个长期存储空间，机器人可以在其中存储他们的经验，以及推理功能，这些功能使他们可以识别存储的数据中的有用元素。

佩蒂特解释说：“贝叶斯优化方法是一种明智的“尝试和错误”策略：机器人根据先前评估的结果来估计最佳评估的参数集。“简而言之，这种方法有效地指导了机器人在未尝试的值附近探索参数，而且还朝着具有高潜力的值探索。”

尽管这项技术效率很高，但研究人员希望增加机器人学习的收敛性，以实现更好的优化。因此，传统的贝叶斯优化方法是不可取的，因为对于这些机器人，机器人的学习是从头开始针对遇到的每个新对象开始的。为了解决这一限制，研究人员采用了基于视觉相似性的策略。

佩蒂特说：“我们想利用机器人的先前经验来完成不同但相似的任务。” “因此，当遇到新物体时，我们迫使机器人首先探索针对类似物体优化的解决方案。例如，如果机器人知道如何握住橙子而现在必须握住苹果，则我们迫使机器人采取以下行动：使用“抓橙”策略来抓住苹果。

我们这样做是通过询问视觉相似性模块哪些对象与新对象相似，然后从长期记忆中为这些相似对象提取最佳解决方案。”

研究人员在模拟环境中评估了他们的框架。他们发现基于视觉相似性的转移学习策略比记忆消除学习要有益得多，后者在记忆体学习中，机器人每次执行新任务时都会从头开始学习策略。

到目前为止，主要是在社交机器人技术的背景下研究了开发框架，例如，帮助个性化社交机器人对用户的需求或偏好的帮助。

佩蒂特说：“在工业机器人技术中使用此框架可产生令人信服的结果，这意味着社会和工业机器人技术领域可以互相学习很多。”

“我们研究的另一个有趣的方面是该框架正在优化“黑匣子”算法，这意味着我们对它的工作方式一无所知。我们为其提供参数，作为交换，我们获得了它们的质量。这意味着它也可以应用于需要频繁微调的其他应用和算法。”

Siléane的上野机器人

研究人员现在正在探索机器人将模拟过程中获取的对象的知识转移到涉及相同对象的真实任务的方式。这将进一步提高机器人的效率，使其能够虚拟地学习新事物，然后将其应用到现实生活中。

Petit补充说：“针对共享物理属性的对象的参数优化可能还会导致针对特定机器人的这种概念的出现。”

“例如，机器人可以得知必须用特定的值来获取“平坦”，“重”，“长”等对象的子集参数。这可以用于增强人机交互和学习例如，使用自然语言，工人通过提供要处理的新物体的简短描述来帮助机器人。”