Facebook opretter metode, der muligvis kan give AI-robotter mulighed for at navigere uden kort

Facebook har nyligt oprettet en algoritme, der forbedrer en AI-agents evne til at navigere i en omgang, og lader agenten bestemme den korteste rute gennem nye omgivelser uden adgang til et kort. Mens mobile robotter typisk har et kort programmeret ind i dem, kunne den nye algoritme, som Facebook designede, muligvis give mulighed for at oprette robotter, der kan navigere i omgivelser uden behov for kort.

Ifølge en post oprettet af Facebook-forskere, er en stor udfordring for robotnavigation at give AI-systemer evnen til at navigere gennem nye omgivelser og nå programmerede destinationer uden et kort. For at tackle denne udfordring oprettede Facebook en forstærkninglæringsalgoritme, der er fordelt på multiple lærere. Algoritmen blev kaldt decentraliseret distribueret proximal politikoptimering (DD-PPO). DD-PPO fik kun kompasdata, GPS-data og adgang til en RGB-D-kamera, men var ifølge rapporten i stand til at navigere i en virtuel omgang og nå et mål uden nogen kortdata.

Ifølge forskerne blev agenterne trænet i virtuelle omgivelser som kontorbygninger og huse. Den resulterende algoritme var i stand til at navigere i en simuleret indendørsomgang, vælge den korrekte forgrening i en sti og hurtigt genoprette sig, hvis den valgte den forkerte sti. Resultaterne fra de virtuelle omgivelser var lovende, og det er vigtigt, at agenterne kan navigere disse almindelige omgivelser pålideligt, da en agent i den virkelige verden kunne skade sig selv eller sine omgivelser, hvis den fejler.

Facebooks forskningsteam forklarede, at fokus for deres projekt var assistenterobotter, da korrekt og pålidelig navigation for assistenterobotter og AI-agenter er afgørende. Forskningsteamet forklarede, at navigation er afgørende for en bred vifte af assistenter-AI-systemer, fra robotter, der udfører opgaver rundt omkring i huset, til AI-drevne enheder, der hjælper mennesker med visuelle handicapper. Forskningsteamet argumenterede også for, at AI-skabere bør gå væk fra brugen af kort generelt, da kort ofte er forældede, så snart de er tegnet, og i den virkelige verden er omgivelserne konstant i forandring og udvikling.

Som TechExplore rapporterede, gjorde Facebooks forskningsteam brug af den open-source AI Habitat-platform, der gjorde det muligt for dem at træne inkarnerede agenter i fotorealistiske 3-D-omgivelser på en tidlig måde. Haven gav adgang til en samling af simulerede omgivelser, og disse omgivelser er realistiske nok, så data genereret af AI-modellen kan anvendes på virkelige tilfælde. Douglas Heaven i MIT Technology Review forklarede intensiteten af modellens træning:

“Facebook trænede botter i tre dage inde i AI Habitat, en fotorealistisk virtuel mock-up af en bygnings indre, med rum og gange og møbler. I den tid tog de 2,5 milliarder skridt – det svarer til 80 års menneskelig erfaring.”

På grund af den store kompleksitet af træningsopgaven rapporterede forskerne, at de fjernede de svage lærere, efterhånden som træningen fortsatte, for at accelerere træningstiden. Forskningsteamet håber at tage deres nuværende model videre og oprette algoritmer, der kan navigere i komplekse omgivelser ved hjælp af kun kamera-data, og droppe GPS-data og kompas. Årsagen til dette er, at GPS-data og kompasdata ofte kan være forstyrret indendørs, være for støjende eller blot være utilgængelige.

Selvom teknologien endnu ikke er testet udendørs og har problemer med at navigere over lange afstande, er udviklingen af algoritmen et vigtigt skridt i udviklingen af den næste generation af robotter, især leveringsdroner og robotter, der opererer i kontorer eller hjem.