Robotlar Becerileri Daha Hızlı Öğrenecek
Günümüzde birçok iş robotlar aracılığıyla yapılıyor. Fakat bu işleri önce robotlara tanıtmak ve öğretmek gerekiyor. MIT araştırmacıları bu süreci hızlandıracak bir sistem üzerinde çalışıyor. Detaylar yazımızın devamında.
30.04.2022 tarihli yazı 4087 kez okunmuştur.
Makine öğrenmesi uygulamalarının artmasıyla beraber günlük yaşama katkısı da arttı. Artık çoğu iş, daha az insan daha çok makine sistemiyle başarı ile sürdürülüyor. MIT’deki araştırmacılar yaptığı çalışma ile beraber hayatımıza yardımcı robotların yeni becerileri öğrenmelerini daha basit hale geldi. Bu çalışma sonucu robot, makine öğrenimi sürecinde daha önce hiç o nesne ile karşılaşmamış olsa dahi bu nesnelerle ilgili görevlerle başa çıkabilecek. Üstelik ortalama 10-15 dk sonrasında yeni görev için hazır hale gelecek.
Yapılan araştırmalar sonucunda makine öğrenimi sistemlerinin nesne yönelimlerini anlama konusunda bir hayli zorlandığı anlaşıldı. Örneğin; belli bir bardağı almak için eğitilmiş olan robot kolu aynı bardak farklı açı ile durduğunda, durum robot tarafından çok farklı bir senaryo olarak algılıyor. İşte MIT araştırmacıları bu zorlukla başa çıkılması için yeni bir yol geliştirildi. Geliştirilen bu yol sayesinde, robotların el işlevi gerektiren görevlerdeki işlevleri yapma kapasitelerinin artması bekleniyor.
Bir robotun makine öğrenmesi, binlerce resmin manuel olarak etiketlenmesi ve sistemin eğitilmesini içeriyor. Ancak uzmanların geliştirdiği yeni teknik ile birkaç fiziksel örnek ile robot görevi tanımlayabilecek. İzlenen bu yeni teknik, sinir tanımlayıcı alanı yani NFD adı verilen bir tür sinir ağı modeli ile gerçekleştiriliyor. Bu sinir ağı; öğelerin geometrisini öğrenerek, yalnızca birkaç fiziksel örnekle robotların daha önce hiç görmediği bir nesneyi bile alabilecek hale getiriyor. Ayrıca, nesnelerin şekillerinin yeniden oluşturulmasını sağlayarak daha uzun ya da daha geniş bardakların kulplarının benzer olduğunu anlayabiliyor. Yapılan açıklamada buluşun, çok fazla değişkenliğin olabileceği ortamlarda çalışması gereken robotların yeni becerileri daha kolay edinmesini sağlayacağı belirtildi.
Bir robotun makine öğrenmesi, binlerce resmin manuel olarak etiketlenmesi ve sistemin eğitilmesini içeriyor. Ancak uzmanların geliştirdiği yeni teknik ile birkaç fiziksel örnek ile robot görevi tanımlayabilecek. İzlenen bu yeni teknik, sinir tanımlayıcı alanı yani NFD adı verilen bir tür sinir ağı modeli ile gerçekleştiriliyor. Bu sinir ağı; öğelerin geometrisini öğrenerek, yalnızca birkaç fiziksel örnekle robotların daha önce hiç görmediği bir nesneyi bile alabilecek hale getiriyor. Ayrıca, nesnelerin şekillerinin yeniden oluşturulmasını sağlayarak daha uzun ya da daha geniş bardakların kulplarının benzer olduğunu anlayabiliyor. Yapılan açıklamada buluşun, çok fazla değişkenliğin olabileceği ortamlarda çalışması gereken robotların yeni becerileri daha kolay edinmesini sağlayacağı belirtildi.
Bir derinlik kamerası yardımıyla, NFD modelinin belirli bir öğenin geometrik temsilini hesaplaması sağlanıyor. Bu işlem, üç boyutlu koordinatlar kümesine sahip bir 3B nokta bulutu sayesinde gerçekleşiyor. Bahsedilen NFD modelinde, bir bardağın döndürülmüş hali gösterilmesi durumunda aynı bardak olduğunu algılamasına sağlayan denklik özelliği de bulunuyor.
Yapılan bütün testlerin sonucunda seç ve yerleştir görevleri %85 başarı ile gerçekleşti. Temel karşılaştırma testlerinin başarı yüzdesi ise %45’e ulaştı. Testler sürecinde başarı ölçeği, robotun yeni nesneyi alıp hedef alana yerleştirmesi olarak belirlendi. Yaklaşık 10-15 dk süre sonunda robotun yeni seç-yerleştir görevine hazır hale geldiği kaydedilen veriler arasındaydı.
Her ne kadar testler ve buluş umut verici olsa da çalışma yalnızca belli nesne kategorilerinde başarı gösterdi. Yani bardakları almak için eğitilmiş bir robotun, şekli eğitildiğinden farklı nesneleri alması gerektiğinde başarısız olduğu kaydedildi. İlerleyen çalışmalarda bu kategori sorunun tamamen üstesinden gelinmesi ya da en azından kategori miktarının daha fazla sayıya ulaştırılması hedefleniyor.
Kaynak:
► news.mit.edu
► siliconrepublic.com
Yapılan bütün testlerin sonucunda seç ve yerleştir görevleri %85 başarı ile gerçekleşti. Temel karşılaştırma testlerinin başarı yüzdesi ise %45’e ulaştı. Testler sürecinde başarı ölçeği, robotun yeni nesneyi alıp hedef alana yerleştirmesi olarak belirlendi. Yaklaşık 10-15 dk süre sonunda robotun yeni seç-yerleştir görevine hazır hale geldiği kaydedilen veriler arasındaydı.
Her ne kadar testler ve buluş umut verici olsa da çalışma yalnızca belli nesne kategorilerinde başarı gösterdi. Yani bardakları almak için eğitilmiş bir robotun, şekli eğitildiğinden farklı nesneleri alması gerektiğinde başarısız olduğu kaydedildi. İlerleyen çalışmalarda bu kategori sorunun tamamen üstesinden gelinmesi ya da en azından kategori miktarının daha fazla sayıya ulaştırılması hedefleniyor.
Kaynak:
► news.mit.edu
► siliconrepublic.com
YORUMLAR
ANKET
- Dünyanın En Görkemli 10 Güneş Tarlası
- Dünyanın En Büyük 10 Makinesi
- 2020’nin En İyi 10 Kişisel Robotu
- Programlamaya Erken Yaşta Başlayan 7 Ünlü Bilgisayar Programcısı
- Üretimin Geleceğinde Etkili Olacak 10 Beceri
- Olağan Üstü Tasarıma Sahip 5 Köprü
- Dünyanın En İyi Bilim ve Teknoloji Müzeleri
- En İyi 5 Tıbbi Robot
- Dünyanın En Zengin 10 Mühendisi
- Üretim için 6 Fabrikasyon İşlemi
- Nasıl Dönüşür I Elektrik 4.0
- Nasıl Dönüşür I Fosil Yakıt
- Nasıl Dönüşür I Kompost
- Sigma DIN Rayı Çözümleri: Ürün Portföyü, Teknik Özellikler ve Kullanım Alanları
- Denizcilik Endüstri Uygulamaları ve Servis Bakım Süreçleri
- DrivePro Yaşam Döngüsü Hizmetleri
- Batarya Testinin Temelleri
- Enerji Yönetiminde Ölçümün Rolü: Verimliliğe Giden Yol
- HVAC Sistemlerinde Kullanılan EC Fan, Sürücü ve EC+ Fan Teknolojisi
- Su İşleme, Dağıtım ve Atık Su Yönetim Tesislerinde Sürücü Kullanımı
Aktif etkinlik bulunmamaktadır.