Google har nyligen arbetat inom så kallad "molnrobotik". Detta är ett fenomen när robotar, som har lärt sig att självständigt utföra någon åtgärd, kan dela sin "erfarenhet" med andra robotar, helt enkelt genom att överföra information med alla tillgängliga kommunikationsmetoder. Denna princip om undervisning gör att du kan undvika omprogrammeringsmomentet, eller så att säga "omskolning", när du ställer in nya uppgifter för tekniken.
Kärnan i "molnrobotik" är som följer: den är baserad på neurala nätverk som bestämmer och lagrar sekvensen av utförda åtgärder, är ansvariga för processerna för automatisering och informationsöverföring. I allmänhet för allt vi kallar erfarenhet. Roboter baserade på neurala nätverk kan ange vilken som helst uppgift, och den konstgjorda hjärnan kommer att hitta sina egna lösningar. I framtiden, när du utför dessa åtgärder flera gånger, kommer roboten att utveckla en optimal algoritm som den kommer att kunna överföra till andra maskiner, och de kommer att använda och förbättra den utan att börja från början varje gång.
Forskare från Google Research har testat sin algoritm på tre typer av robotar som utför olika uppgifter: öppna dörrar, studera föremål på ett bricka och en modifierad version av det första experimentet, när roboten inte utbildades självständigt, men kontrollerades av en person med den efterföljande uppgiften att förbättra färdigheterna.
I det första fallet tog det bilen mycket tid att förstå att för att öppna dörren måste du ta tag i handtaget, vrida det och trycka på dörren. Men alla efterföljande robotar använde denna algoritm och hoppade över träningsmomentet.
I experimentet med brickan lämnades maskinerna åt sig själva och under flera timmar studerade de orsakssambandet mellan föremål (till exempel: en vattenkokare - en kopp - socker: vad man ska göra med detta är uppenbart för oss, robotarna var tvungna att "lära sig").
Experiment nummer tre, efter att ha tränat roboten av operatören, var prisgunstigt med det "kollektiva medvetandet", som snabbt gemensamt hittade de optimala lösningarna, olika i olika initialpositioner för manipulatorerna och det slutliga resultatet, som påskyndade manipulationen.
Det mest intressanta ögonblicket var när en av robotarna tvingades öppna en dörr på vilken en helt annan typ av handtag installerades. Maskinen gjorde ett utmärkt jobb.
Varför är allt detta nödvändigt, förutom att konstruera teorier om uppror av maskiner? Det är enkelt: denna acceleration av inlärningsprocessen gör att industriroboter kan börja utföra komplexa uppgifter mycket snabbare än med den traditionella metoden.
Kampanjvideo:
VLADIMIR KUZNETSOV
