Robots in staat om complexe taken te leren van enkele demonstraties

In een van de laatste ontwikkelingen op het gebied van robotica hebben onderzoekers aan de University of Southern California (USC) een systeem ontwikkeld waarin robots complexe taken kunnen leren met slechts enkele demonstraties. Nog indrukwekkender is dat sommige van deze demonstraties onvolmaakt kunnen zijn.

Het onderzoek werd gepresenteerd op de Conference on Robot Learning (CoRL) op 18 november, getiteld “Learning from Demonstrations Using Signal Temporal Logic.”

Het Systeem

De kwaliteit van elke demonstratie wordt gemeten zodat het systeem kan leren van zijn successen en mislukkingen. In tegenstelling tot huidige methoden, die minstens 100 demonstraties vereisen om een specifieke taak te leren, heeft het nieuwe systeem slechts een paar demonstraties nodig. Op een intuïtieve manier leren deze robots op een manier die vergelijkbaar is met de manier waarop mensen van elkaar leren. Bijvoorbeeld, mensen kijken en leren van anderen die taken succesvol of onvolmaakt uitvoeren.

Aniruddh Puranic is de hoofdauteur van het onderzoek en een PhD-student in computerwetenschappen aan de USC Viterbi School of Engineering.

“Veel machine learning- en reinforcement learning-systemen vereisen grote hoeveelheden gegevens en honderden demonstraties – je hebt een mens nodig die het over en over weer moet demonstreren, wat niet haalbaar is,” zei Puranic.

“Ook hebben de meeste mensen geen programmeerkennis om expliciet te zeggen wat de robot moet doen, en een mens kan onmogelijk alles demonstreren wat een robot moet weten,” vervolgde hij. “Stel dat de robot iets tegenkomt wat hij nog nooit eerder heeft gezien? Dit is een belangrijke uitdaging.”

De onderzoekers maakten gebruik van “signal temporal logic” of STL om de kwaliteit van de demonstraties te bepalen, deze te rangschikken en inherente beloningen te creëren.