İnsanları İzleyerek Öğrenen Robotlar için Öğrenme Yöntemi

Carnegie Mellon Üniversitesi (CMU) araştırmacıları tarafından geliştirilen yeni bir öğrenme yöntemi, robotların insan etkileşimi videolarından doğrudan öğrenmesini ve bu bilgileri yeni görevlere genelleştirmesini sağlar, bu da ev işlerini nasıl yapacaklarını öğrenmelerine yardımcı olur. Öğrenme yönteminin adı WHIRL’dir, yani Vahşi İnsan Taklit Eden Robot Öğrenimi, ve robotun görevleri gözlemlemesine ve video verilerini toplamasına yardımcı olur, böylece sonunda işi kendisi yapmayı öğrenir.

Araştırma, New York’taki Robotik: Bilim ve Sistemler konferansında sunuldu.

Öğrenmek için Taklit

Shikhar Bahl, Carnegie Mellon Üniversitesi Bilgisayar Bilimi Okulu’nun Robotik Enstitüsü’nde (RI) doktora öğrencisidir.

“Taklit, öğrenmek için harika bir yoldur” dedi Bahl. “İnsanları doğrudan izleyerek öğrenen robotlar, alanda çözülmemiş bir problem olarak kalıyor, ancak bu çalışma, bu yeteneği mümkün kılmak için önemli bir adım atıyor.”

Bahl, RI’deki diğer öğretim üyeleri Deepak Pathak ve Abhinav Gupta ile birlikte çalıştı. Ekibin bir kamerayı ve yazılımlarını bir rafla birlikte öğrenen bir robota eklediler. Robot, bir appliance’ı açıp kapatarak, bir çöp torbasını çöp kutusundan çıkararak 20’den fazla görevi öğrendi. Her defasında, robot görevi bir insan tarafından yapılmasını izledi ve sonra kendisi denedi.

Pathak, RI’de yardımcı profesördür.

“Bu çalışma, robotları evlere getirmek için bir yol sunuyor” dedi Pathak. “Robotları başarılı bir şekilde görevleri tamamlamak için programlamak veya eğitmek yerine, bu teknoloji, robotları evlere dağıtmamızı ve görevleri tamamlamak için izlemelerini, çevrelerine uyum sağlamalarını ve sadece izleyerek iyileşmelerini sağlar.”

WHIRL Mevcut Yöntemlerle Karşılaştırma

Mevcut yöntemlerin çoğu, bir robota bir görevi öğretmek için taklit veya pekiştirme öğrenimine dayanır. Taklit öğrenimiyle, insanlar bir robota bir görevi öğretmek için manuel olarak çalıştırırlar, bu da görevi öğrenmeden önce birden fazla kez yapılmasını gerektirir. Pekiştirme öğrenimiyle, robot genellikle milyonlarca örnekten oluşan bir simülasyonda eğitilir ve sonra eğitim, gerçek dünyaya uyarlanır.

Her iki model de, bir robota bir görevi öğretmek için yapılandırılmış bir ortamda etkili olsa da, bunları ölçeklendirme ve dağıtma zor olur. Ancak WHIRL ile, bir robot, bir insan tarafından bir görevi tamamlarken çekilen herhangi bir videodan öğrenebilir. Ayrıca, kolayca ölçeklenebilir, belirli bir görevle sınırlı değildir ve ev ortamlarında çalışabilir.

WHIRL, robotların doğal ortamlarında görevleri tamamlamalarını sağlar. Ve ilk birkaç deneme genellikle başarısızlıkla sonuçlansa da, birkaç başarının ardından çok hızlı bir şekilde öğrenebilir. Robot, görevi her zaman aynı hareketlerle tamamlamaz, ancak bu, farklı kısımlara sahip olması ve farklı şekilde hareket etmesinden kaynaklanır. Ancak, görevleri tamamlamanın sonucu her zaman aynıdır.

“Vahşi robota ölçeklendirme için, veriler güvenilir ve kararlı olmalıdır ve robotlar, kendi başlarına uygulayarak çevrelerinde daha iyi hale gelmelidir” dedi Pathak.