Gönderiyi okuyorsunuz: Bu UC Berkeley yapay zeka (AI) makalesi, herhangi bir robotu yönlendirmek için bir araya getirilmiş çok robotlu veri setinden genel bir navigasyon modeli (GNM) sunmaktadır.
Varlıkları 90’lı yılların bilim kurgu filmleri kadar önemli olmasa da, robotlar çeşitli endüstri ve ortamlardaki çeşitli uygulamalarla günlük hayatımızın vazgeçilmezi haline geliyor. Örneğin sağlık sektöründe robotlar ameliyatlarda, ilaç dağıtımında ve rehabilitasyona yardımcı olmak için kullanılıyor. Taşımacılık sektöründe sürücüsüz otomobiller yaygınlaşmaya başlıyor. Robotlar tarım, inşaat ve hatta ev işleri gibi diğer ortamlarda da kullanılıyor. Teknoloji ilerledikçe günlük yaşamımızda daha fazla robot kullanıldığını görmeyi bekleyebiliriz.
İdeal bir robot denildiğinde aklınıza muhtemelen özgürce hareket edebilen, insan benzeri hareketler yapabilen bir robot gelecektir. Bunun olmasını ne kadar istesek de maalesef henüz o noktaya gelmiş değiliz, çünkü robotlar hâlâ çeşitli ortamlarda gezinmekte zorluk çekiyor. Navigasyondan bahsetmişken, robotların nasıl hareket edebildiğini ve ortamlarında nasıl gezinebildiğini hiç merak ettiniz mi?
Robot navigasyonu, robotların belirli bir ortamda hareket etmesine izin vermeye odaklanır. Bu, robotların engelleri aşmasına, hareketleri hakkında kararlar almasına ve çevreleriyle etkileşime girmesine olanak tanıyan algoritmalar ve sistemler geliştirmeyi içerebilir.
Her ne kadar amaç aynı olsa da, çevrede en az sorunla veya hiç sorun yaşamadan gezinmek, robotların heterojen doğasından dolayı sorunun kendisi karmaşıktır. Robot tasarlamanın bir standardı yoktur. Kendinizi düşünün; Gördüğünüz robotlardan kaç tanesi birbirine benziyor? Hepsinin farklı kamera konumları, sensör dizileri, tekerlekleri veya ayakları vb. vardır. Aralarında neredeyse hiçbir şey birbirine benzemiyor. Bu nedenle algoritmanın söz konusu robota özel olarak tasarlanması gerekmektedir. Ancak bu, tek tip robotla büyük ölçekli bir veri seti oluşturmak mümkün olmadığından ve veriler karmaşık modelleri eğitmek için yeterli olmayacağından, makine öğrenimi yöntemlerinin kullanımını sorunlu hale getiriyor.
Çoğu modern makine öğrenimi modelini eğitmek için büyük ölçekli bir veri kümesi gerekir. İnternet ölçeğindeki veri kümeleri, transformatörlerle doğal dil işlemede, yayılma modelleriyle bilgisayarlı görme görevlerinde vb. dev bir sıçramayı mümkün kıldı. Büyük ölçekli bir veri seti olmadan sınırları zorlamak imkansızdır.
Peki robot navigasyon veri setlerinin bu heterojenlik sorununu nasıl çözebiliriz? Elimizdeki tüm verileri farklı robotlar için nasıl kullanabiliriz ve daha iyi bir çözüm geliştirebiliriz? Bunlar GNM yazarlarının kendilerine sordukları sorulardı ve harika bir çözüm buldular. Herhangi bir robotu sürmek için genel bir navigasyon modeli.
“Tekerlekli bir robot, dört ayaklı veya bir drone’un hepsi aynı soyut hedeflere sahiptir: çevreyi keşfetmek, hedefe giden yolu planlamak ve çarpışmalardan kaçınmak.” Makaleden alınan bu alıntı GNM’nin arkasındaki fikri mükemmel bir şekilde açıklıyor. Paylaşılan hedef, yeni ortamlara, görünmeyen sensör parametrelerine ve yeni robot konfigürasyonlarına genelleştirilebilecek büyük ölçekli verilerden genel bir navigasyon politikasının eğitilmesine olanak sağlayabilir.
GNM, robotların farklı ortamlarda gezinmesi için çok robotlu bir veri kümesine dayanan genel bir çok-yönlülük önermektedir. Altı farklı robotun iç ve dış ortamlardaki navigasyon yörüngelerine ilişkin geniş bir heterojen veri seti toplanmıştır. GNM bu veri seti üzerinde eğitilir ve dört farklı robot platformuna yerleştirilir.
Eğitim, standart bir takviyeli öğrenme yaklaşımı izlenerek gerçekleştirilir. Ancak çoklu robotlu veri seti üzerinde çalışabilmesi için iki değişiklik yapılmıştır. İlk olarak tahminler, robotlar arasında paylaşılan soyutlamanın normalleştirilmiş bir eylem alanında yapılır. İkinci olarak, politikayı robotun yeteneklerine göre koşullandırmak için bir gerçekleştirme bağlamı kullanılır.
GNM, farklı robotlar arasında veri paylaşımında ileriye doğru atılmış sağlam bir adımdı. Farklı ortamlarda umut verici sonuçlar gösterdi.
