Voir la traduction automatique
Ceci est une traduction automatique. Pour voir le texte original en anglais cliquez ici
#Tendances produits
{{{sourceTextContent.title}}}
Les chercheurs lancent un ensemble de données d'objets 26K+ pour aider les robots à apprendre les formes
{{{sourceTextContent.subTitle}}}
Le jeu de données PartNet comprend plus de 573 000 annotations de pièces à grain fin pour une meilleure exécution des tâches du robot.
{{{sourceTextContent.description}}}
Si vous voulez qu'un bras robotique ouvre la porte d'un four à micro-ondes, le robot doit savoir comment identifier les parties du four à micro-ondes et les boutons qui l'ouvriront. À cette fin, un groupe de chercheurs a lancé un ensemble de données à grande échelle comportant des annotations détaillées, hiérarchiques et au niveau de l'instance.
Lors de la conférence de 2019 sur la vision par ordinateur et la reconnaissance des formes, les auteurs Kaichun Mo de l'Université de Stanford et Hao Su, professeur assistant à UC San Diego, se sont associés à Intel AI et Simon Fraser University pour introduire PartNet. L'ensemble de données se compose de 573 585 annotations partielles à grain fin (sous-composantes identifiées visuellement et sémantiquement) pour 26 271 formes (nuages de points 3D d'objets) dans 24 catégories d'objets (lampe, porte, table, fauteuil, etc.).
"Si nous voulons que l'intelligence artificielle puisse nous faire une tasse de thé, de nouveaux ensembles de données sont nécessaires pour mieux soutenir la formation des applications visuelles d'intelligence artificielle pour analyser et comprendre des objets comportant de nombreux petits détails ou des composants importants ", ont déclaré les chercheurs dans un article de blog. "Les ensembles de données de forme 3D existants ne fournissent des annotations partielles que sur un nombre relativement faible d'instances d'objets ou sur des annotations partielles grossières, mais non hiérarchiques, ce qui rend ces ensembles de données impropres aux applications impliquant une compréhension des objets au niveau pièce
Les chercheurs ont dit qu'avec l'ensemble de données, les gens peuvent commencer à construire un environnement simulé à grande échelle rempli d'objets et de toutes leurs parties, dans le but d'utiliser le monde virtuel pour enseigner aux robots les objets, leurs parties, et comment interagir avec eux.
"Par exemple, un robot[peut apprendre] qu'en appuyant sur un bouton d'un four à micro-ondes, il ouvre la porte du four à micro-ondes ", ont dit les chercheurs. "Cela nous permettra d'entraîner les robots à compléter les comportements quotidiens comme le font les humains, en comprenant toutes les parties et les étapes impliquées."
Les chercheurs ont fourni un échantillon de données, des résultats d'échantillonnage et un résumé vidéo pour les personnes intéressées à essayer PartNet. Vous pouvez lire l'article complet ici.
Apprentissage de renforcement collaboratif
Lors de la conférence, Intel AI a également publié un article discutant d'un concept appelé Collaborative Evolutionary Reinforcement Learning (CERL), qui "combine des méthodes de gradient de politiques et d'évolution pour optimiser l'exploitation/exploration du défi" des techniques traditionnelles d'apprentissage du renforcement.
Les méthodes de NR fondées sur les gradients de politiques, couramment utilisées par les chercheurs en IA aujourd'hui, peuvent tirer profit de l'apprentissage, mais " elles souffrent d'une exploration limitée et de calculs de gradients coûteux ", ont déclaré les chercheurs. Avec l'approche de l'algorithme évolutionnaire, il aborde certains des problèmes des gradients de politiques, mais que cela prend un temps de traitement important parce que les candidats "ne sont évalués qu'à la fin d'un épisode complet"
"La dichotomie ML de base est révélée à nouveau : le choix d'explorer le monde pour obtenir plus d'informations tout en sacrifiant les gains à court terme ou d'exploiter l'état actuel des connaissances pour améliorer les performances," ont déclaré les chercheurs.
Pour tester sa nouvelle approche, les chercheurs ont utilisé le CERL avec le benchmark OpenAI Gym Humanoid, qui nécessite un modèle humanoïde 3D pour apprendre à marcher le plus vite possible sans tomber. Jusqu'à récemment, les chercheurs disaient que le repère Humanoïde n'était pas résolu, parce que les robots pouvaient apprendre à marcher, mais qu'ils ne pouvaient pas maintenir une marche soutenue. Les auteurs ont dit qu'ils l'avaient résolu en utilisant l'approche du CERL, et une autre équipe de l'Université de Berkeley l'a résolu avec une approche complémentaire, et les deux équipes travaillent à combiner les approches.