Även trots att moderna robotar är mycket bra på att hantera olika typer av objekt, är det först nödvändigt att lägga in data om just dessa objekt i deras program. Och om en robot stöter på något som den inte vet hur hanterar den, driver den bilen in i en bedövning. En grupp forskare från Massachusetts Institute of Technology (MIT) har dock skapat en algoritm som kommer att träna robotar att interagera med föremål som de aldrig har stött på tidigare.
Enligt Engadget ansvarar ingenjörer från MIT Computer Science Laboratory för utvecklingen. Och deras uppfinning skulle kunna göra robotar mer användbara inte bara i produktionen utan också hemma. För tillfället tillåter den huvudsakliga typen av programvara som är inbäddad i robotar du att köra en extremt begränsad uppsättning kommandon: till exempel, välj bland objekten (tidigare känt till programmet) den som behövs för tillfället eller flytta objekt som är förskrivna i algoritmen från plats till plats.
En ny AI från MIT, kallad DON (Dense Object Nets), gör det möjligt för robotar att bestämma strukturen och syftet med objektet de ser just nu. Till exempel måste en sneaker placeras på sulan, och det är bekvämare att hålla muggen i handtaget och helst inte att vända den, eftersom den kan fyllas med vätska. Baserat på de data som ingår i programmet kan det neurala nätverket självständigt förbättra och lära sig nya ämnen för sig själv. Dessutom minns AI inte bara specifika objekt, utan också deras syfte. Om han till exempel får uppgiften att studera ett ämne tar AI flera bilder och jämför dem med tillgängliga. Sedan sönderdelas föremålet praktiskt taget till "komponentdelar", objektets ram och dess viktigaste punkter ritas upp. Efter det kommer det att vara möjligt att interagera med objektet. Dessutom,om du upprepade gånger ger uppgiften att hitta ett objekt bland samma liknande, kommer det neurala nätverket inte bara omedelbart att identifiera det, utan också komma ihåg hela klassen av liknande objekt, och inser att du kan interagera med dem på samma sätt som med det ursprungliga.
Vladimir Kuznetsov
