Google демонстрирует искусственный интеллект

Google продемонстрировала двухлетнее испытание роботов с искусственным интеллектом, которые сортируют вторсырье и отходы с высокой степенью эффективности, что, возможно, предвещает будущее.

Благодаря применению RL мобильные роботы с системами машинного зрения и рукой смогли решать реальные задачи на рабочем месте, а сочетание офлайн- и онлайн-данных позволило им адаптироваться к широкому разнообразию реальных ситуаций. .

В ходе исследования роботы, предоставленные компанией Everyday Robots, входящей в состав материнской компании Google Alphabet, были запрограммированы на перемещение и поиск «отходных ситуаций» — контейнеров для вторсырья, компоста и мусора. Затем им было поручено рассортировать предметы между контейнерами так, чтобы все вторсырье (банки, бутылки) было помещено в контейнер для вторичной переработки, компостируемые предметы (картонные контейнеры, бумажные стаканчики) были помещены в контейнер для компоста, а все остальное было помещено в контейнер для компоста. контейнер для остаточных отходов.

Роботы были обучены базовому набору навыков — процессу, посредством которого на компьютер загружается программа с использованием гораздо меньшей исходной программы. Навыки включали четыре набора опыта:

Обсуждая мотивацию исследования, исследовательская группа заявила, что, поскольку реальный мир сложен, разнообразен и меняется с течением времени, роботам с поддержкой RL сложно адаптироваться, и поэтому они еще не широко используются в повседневных условиях.

«Классы роботов» предоставляют большую часть опыта роботов. Команда заявила, что, хотя реальные офисные здания могут обеспечить наиболее репрезентативный опыт, пропускная способность с точки зрения сбора данных ограничена — в некоторые дни придется сортировать много мусора, а в некоторые дни не так много.

К концу двух лет команда собрала 540 000 испытаний в классах и 32 500 испытаний при развертывании. Было обнаружено, что общая производительность системы улучшалась по мере сбора большего количества данных. Окончательная система оценивалась в классах для контролируемого сравнения со сценариями, основанными на том, что роботы видели во время развертывания.

Помимо 84-процентной точности окончательной системы, испытания в реальных условиях показали, что система может снизить загрязнение на 40–50 процентов по весу. Это было определено на основе статистики трех реальных развертываний в период с 2021 по 2022 год.

Команда отмечает, что окончательные политики RL не всегда достигают успеха, и потребуются более крупные и мощные модели для повышения производительности и расширения их для более широкого круга задач. Другие источники опыта, в том числе полученные из других задач, других роботов и даже онлайн-видео, могут служить дополнительным дополнением к опыту начальной загрузки.