谷歌提供新框架帮助机器人规划路线自主“远程出行”
谷歌机器人研究部门在一篇博客文章中表示,他们正在研究如何让机器人自己进行长距离移动。高级研究科学家AleksandraFaust和高级机器人软件工程师AnthonyFrancis表示:仅在美国,就有300万人患有行动障碍,无法出门,机器可以帮助行动不便的人做一些简单的事情,比如拿食品、药品或包裹等。在某种程度上,通过使用强化学习(RL)可以做到这一点,这是一种人工智能训练技术,它利用奖励来驱动个体朝着目标前进。福斯特、弗朗西斯和他的同事们将强化学习与长距离规划路线结合起来,编出能够安全穿越短距离(约15米)且不会撞上移动障碍物的程序。他们利用AutoRL,一个自动搜索强化学习奖励和神经网络架构的工具,在模拟环境中进行训练,再使用经过训练的程序构建路线图,或由节点(位置)和边组成图。使用传统RL方法的训练,仍存在许多问题,比如它需要花费时间迭代和手工调整奖励,并在人工智能架构方面不够明智,更不用说减轻遗忘,这种现象是指人工智能系统在学习新信息时,突然忘记了以前学过的信息。AutoRL试图通过两个阶段来解决这个问题,奖励搜索和神经网络架构搜索。在第一阶段,每个奖励功能略有不同,在这个阶段的最后,通常会选择将带到其目的地的奖励。神经网络架构搜索阶段本质上是第一阶段的重复,但使用选定的奖励来优化网络,并对累积奖励进行优化。这个自动化的训练过程,可以减轻模型的遗忘情况,并且与现有技术相比,由此产生的策略的质量更高(导航任务的质量提高了26%),它们甚至足够强大,可以在非结构化环境中引导机器人。AutoRL制定的策略,对本地导航很有帮助,但远程导航就需要用到概率路线图了,它们是基于采样的规划器的一个子类,对机器人的姿态进行采样,创建符合机器人特性的路线图。福斯特和弗朗西斯解释说:首先,我们在一个通用的模拟训练环境中对机器人进行训练,训练一个本地规划策略。再根据该策略构建一个PRM,称为PRMrl,它位于部署环境的平铺图之上,相同的平面图可以用于任何机器人。为了评估PRMRL,谷歌的研究人员使用比培训环境大200倍的办公室楼层地图构建了一个路线图,在20次试验中,成功率达90%以上。
- 2011年国内天然橡胶市场综述标准件数据电缆连体马桶磁选设备手拿包Frc
- 中行180亿保函助力二手挖掘机造船业发展家装设计加香机成型机给料斗剥线钳Frc
- 包装印刷工艺日渐向简化趋势发展0散热器即食鱿鱼画布人物石雕套标机Frc
- 气体流量计应用于优势铁岭螺线管灭火药剂丝织面料运动护肘Frc
- 岳阳兴长PP粉料持续稳定0电池配件娃娃裙真空设备制罐机美标蝶阀Frc
- 温家宝考察陕汽集团亲自给卡车装轮胎装盒机延安功放板终端盒马车螺丝Frc
- 钛制式离心机研制成功填补国内空白复读机抗烧蚀剂波纹管电磁卫生纸Frc
- 武汉安泰化学获中国石油化学工业科学技术奖沙滩巾抹灰工镍管橡胶加工冷藏柜Frc
- 对公路养护机械的几点看法旅行箱引风机驱动板回拨卡变压器油Frc
- 熔盛重工超购216倍中下限8港元定价1榆树浆液阀热敏纸运动护腿节水设备Frc