Facebook utvikler metode som kan tillate AI-roboter å navigere uten kart

Facebook har nylig utviklet en algoritme som forbedrer en AI-agents evne til å navigere i en omgivelse, og lar agenten bestemme den korteste ruten gjennom nye omgivelser uten tilgang til et kart. Mens mobile roboter vanligvis har et kart programmert inn i dem, kan den nye algoritmen som Facebook har designet muligjøre skapingen av roboter som kan navigere i omgivelser uten behov for kart.

Ifølge en post skapt av Facebook-forskere, er en stor utfordring for robotnavigasjon å gi AI-systemer evnen til å navigere gjennom nye omgivelser og nå programmerede destinasjoner uten et kart. For å møte denne utfordringen, utviklet Facebook en forsterkingslæring-algoritme som er distribuert over flere lærende. Algoritmen ble kalt desentralisert distribuert proximal policy-optimisering (DD-PPO). DD-PPO fikk bare kompassdata, GPS-data og tilgang til en RGB-D-kamera, men var ifølge rapporten i stand til å navigere i en virtuell omgivelse og nå et mål uten noen kartdata.

Ifølge forskerne, ble agentene trent i virtuelle omgivelser som kontorbygninger og hus. Den resulterende algoritmen var i stand til å navigere i en simuleringsindoor-omgivelse, velge riktig fork i en sti og raskt gjenopprette feil hvis den valgte feil sti. Resultatene fra den virtuelle omgivelsen var løftende, og det er viktig at agentene kan pålitelig navigere i disse vanlige omgivelsene, fordi i den virkelige verden kan en agent skade seg selv eller omgivelsene hvis den feiler.

Facebook-forskningsgruppen forklarte at fokus for deres prosjekt var assistive roboter, da korrekt og pålitelig navigasjon for assistive roboter og AI-agenter er essensielt. Forskningsgruppen forklarte at navigasjon er essensielt for en rekke assistive AI-systemer, fra roboter som utfører oppgaver rundt huset til AI-drevne enheter som hjelper mennesker med visuelle funksjonsnedsettelser. Forskningsgruppen argumenterte også for at AI-skaperne bør gå bort fra kartbruk generelt, da kart ofte er foreldet så snart de er tegnet, og i den virkelige verden er omgivelsene konstant i endring og utvikling.

Som TechExplore rapporterte, brukte Facebook-forskningsgruppen den åpne kildekodsplattformen AI Habitat, som muliggjorde at de kunne trene inkarnerte agenter i fotorealistiske 3-D-omgivelser på en tidsmessig måte. Haven ga tilgang til en samling av simuleringsomgivelser, og disse omgivelsene er realistiske nok til at dataene generert av AI-modellen kan brukes i virkelige tilfeller. Douglas Heaven i MIT Technology Review forklarte intensiteten av modellens trening:

“Facebook trente boter i tre dager innen AI Habitat, en fotorealistisk virtuell kopi av innendørsomgivelsen i en bygning, med rom og korridorer og møbler. I den tiden tok de 2,5 milliarder skritt – det tilsvarer 80 års menneskelig erfaring.”

På grunn av den reneste kompleksiteten av treningsoppgaven, rapporterte forskerne at de kullet svake lærende etter hvert som treningsprosessen fortsatte for å øke treningshastigheten. Forskningsgruppen håper å ta deres nåværende modell videre og skape algoritmer som kan navigere i komplekse omgivelser med kun kamera-data, og droppe GPS-data og kompass. Grunnen til dette er at GPS-data og kompassdata ofte kan være feil innendørs, være for støyende eller bare utilgjengelige.

Mens teknologien ennå ikke er testet utendørs og har problemer med å navigere over lange avstander, er utviklingen av algoritmen et viktig skritt i utviklingen av den neste generasjonen av roboter, spesielt leveringsdroner og roboter som opererer i kontorer eller hjem.