Η βελτίωση των αλγορίθμων AI θα οδηγήσει σε μια επανάσταση στην προσθετική

Εκπαίδευση τεχνητής νοημοσύνης, χρησιμοποιώντας τη μέθοδο της δοκιμής και του λάθους, όταν ο υπολογιστής «τρέφονται» καταγράφει ένα τεράστιο αριθμό των ήδη παίξει παιχνίδια στα οποία ηκόνισε τις ικανότητές του, έχει αποδειχθεί ότι το μηχάνημα είναι σε θέση να νικήσει έναν άνθρωπο σε τέτοια κλασικά επιτραπέζια παιχνίδια όπως σκάκι και παιχνίδι παζλ για πρώτη φορά. Ανάμεσα στα πιο πρόσφατα παραδείγματα μπορεί να θεωρηθεί ως μια πρόσφατη σαρωτική νίκη του υπολογιστή πάνω από ένα άτομο σε ένα στρατηγικό παιχνίδι στον υπολογιστή StarCraft II, όπου το αυτοκίνητο είχε διδαχθεί από την ίδια αρχή. Ωστόσο, μια άλλη ομάδα εμπειρογνωμόνων στον τομέα της γρίπης των πτηνών έχει δείξει ότι αυτή η μέθοδος της μάθησης μπορεί επίσης να χρησιμοποιηθεί για πιο πρακτικά καθήκοντα, όπως η κατάρτιση για την ρομποτική προθέσεις.

Η βελτίωση των αλγορίθμων AI θα οδηγήσει σε μια επανάσταση στην προσθετική

μέθοδος μηχανικής μάθησης του οπλισμού (μάθηση οπλισμού), στην οποία το σύστημα δοκιμής μαθαίνει από την αλληλεπίδραση με ορισμένα μέσα μαζικής ενημέρωσης, έδειξαν υποσχόμενα αποτελέσματα σε ένα μικρό πείραμα που περιλαμβάνει ζεύγη των εθελοντών - ένα εντελώς υγιές άτομο και ένα με ένα ακρωτηριασμένο πόδι πάνω από το γόνατο.

Με τις παραδοσιακές τεχνικές διαρκεί συνήθως μερικές ώρες για να ρυθμίσετε σωστά ένα ρομποτικό προσθετικό ρυθμίσετε χειροκίνητα κάθε τεχνητής άρθρωσης και την προσαρμογή για ένα συγκεκριμένο στυλ περπάτημα που χρησιμοποιείται για τους ανθρώπους. εμπειρογνώμονες Πείραμα από το Πολιτειακό Πανεπιστήμιο της Βόρειας Καρολίνας έδειξε ότι η μέθοδος της μηχανικής μάθησης με ενισχύσεις σας επιτρέπει να το κάνετε πολύ πιο γρήγορα - μέσα σε 10 λεπτά μετά από ένα πλήρως αυτόματο άτομο ρύθμιση μπορεί να πάει ομαλά.

«με την πραγματική εφαρμογή αυτής της τεχνολογίας εξακολουθεί να είναι πολύ, πολύ μακριά. Εμείς απλά έδειξε ότι είναι δυνατόν. Το αποτέλεσμα που έχουμε θαυμάσει, «- λέει η Ελένη Huang, καθηγητής Βιομηχανικής στο Πανεπιστήμιο της Βόρειας Καρολίνας.

Χουάνγκ και οι συνεργάτες του δημοσίευσαν τα ευρήματά τους στο ΙΕΕΕ Transactions περιοδικό Κυβερνητικής. Τα αποτελέσματα της εργασίας τους μπορεί να είναι ένα σημαντικό πρώτο βήμα προς την αυτοματοποίηση την τυπική διαδικασία ρύθμισης με το χέρι τα ρομποτικά πόδια, που συνήθως παίρνει πολύ χρόνο και απαιτεί οι ασθενείς επισκέπτονται ειδικούς κάθε φορά οδοντοστοιχίες πρέπει να προσαρμοστούν. Στο μέλλον, όλες αυτές οι ρυθμίσεις άνθρωποι μπορούν να κάνουν στο σπίτι μόνοι τους, χωρίς τη βοήθεια των τεχνικών.

Διαμόρφωση ίδια ρομποτικό πρόσθεσης είναι μια σύνθετη διαδικασία της προσαρμογής διαφόρων παραμέτρων προσδιορισμό των επιπέδων της αλληλεπίδρασης μεταξύ του άκρου και της πρόσθεσης στην απαιτούμενη απόδοση ορισμένων καθηκόντων. Για παράδειγμα, κάποιες από τις παραμέτρους καθορίζουν το επίπεδο της ακαμψίας του ρομποτικού άρθρωσης του γόνατος ή ένα φάσμα παραλλαγών που επιτρέπονται από τροχαίο τα πόδια εμπρός και πίσω. Στην περίπτωση υπό συζήτηση ρομποτικό πρόθεση γονάτου απαιτούμενη ρύθμιση 12 διαφορετικές παραμέτρους. Στην τυποποιημένη προσέγγιση, το τελικό αποτέλεσμα λαμβάνεται γενικά απέχει πολύ από το τέλειο, αλλά παρ 'όλα αυτά ήταν αρκετά κατάλληλη για ένα άτομο να είναι σε θέση να σηκωθεί από την πρόσθεση και να κάνει απλές κινήσεις.

Η βελτίωση των αλγορίθμων AI θα οδηγήσει σε μια επανάσταση στην προσθετική

Εκπαίδευση ρομποτικό άκρων - αυτό είναι μια πολύ περίπλοκη διαδικασία coadaptation. Πρόθεση έχουν κυριολεκτικά να μάθουν να λειτουργούν σε συνδυασμό με τον ανθρώπινο εγκέφαλο, τον έλεγχο της συσκευής αμοιβαία αναγνώριση σε όλο τον οργανισμό. Την ίδια στιγμή, μαθαίνει να περπατάει είναι αναγκαία όχι μόνο η πρόθεση, αλλά και του ανθρώπου. Συνήθως τα πρώτα αποτελέσματα φαίνονται αρκετά αδέξια - μακριά από τα παραδείγματα του σκι ή πατίνια, κατά την οποία ο άνθρωπος πρώτα σηκώθηκε.

«Το σώμα μπορεί να αντιδράσει σε μάλλον περίεργο ξένα αντικείμενα που μιμούνται τη συνέχισή της. Κατά μία έννοια, ο αλγόριθμος του υπολογιστή μηχανικής μάθησης οπλισμού μας μαθαίνουν να αλληλεπιδρούν με το ανθρώπινο σώμα, «- είπε ο συν-δημοσιευμένη μελέτη Jennie Si, καθηγητής ηλεκτρονικών, μηχανικών ηλεκτρονικών υπολογιστών και της μηχανικής ισχύος από το Πολιτειακό Πανεπιστήμιο της Αριζόνα.

Το έργο της διδασκαλίας του ρομποτικού πρόθεση περιπλέκεται από τον πολύ περιορισμένο αριθμό των διαθέσιμων δεδομένων εκπαίδευσης για τον αλγόριθμο. Για παράδειγμα, για να εκπαιδεύσουν τους αλγόριθμους και AlphaZero AlphaStar να παίζει σκάκι, πάει και StarCraft II DeepMind εταιρεία χρησιμοποίησε τα εκατομμύρια των εγγραφών που έχουν ήδη παίξει πολλά παιχνίδια. Με τη σειρά του, ο ανάπηρος για τη συλλογή των απαραίτητων στοιχείων για την κατάρτιση του αλγορίθμου δεν θα είναι σε θέση να περπατήσει ένα πολύ μεγάλο χρονικό διάστημα. Για παράδειγμα, όσοι επισκέφθηκαν το εργαστήριο Huang μπορούσε να περπατήσει χωρίς διακοπή μόνο 15-20 λεπτά, και στη συνέχεια να χρειάζονται λίγη ξεκούραση.

Αλλά αυτό δεν είναι όλα είναι οι δυσκολίες και οι περιορισμοί που δεν επιτρέπουν να καλύπτουν όλο το φάσμα των πληροφοριών της κατάρτισης, σημειώνουν οι ερευνητές. Για παράδειγμα, ακόμη και μεταξύ των Xi και Huang πριν από την έναρξη του έργου τους προέκυψε κάποια διαφωνία σχετικά με το αν είναι δυνατόν να επιτραπεί στους εθελοντές που συμμετέχουν σε ένα πείραμα για να πέσει, ο αλγόριθμος ήταν σε θέση να μάθουν και οι πληροφορίες. Ως αποτέλεσμα αυτής της ιδέας που έχουμε αποφασίσει να εγκαταλείψει τη διαγραφή της ασφάλειας των εθελοντών.

Και όμως, ακόμα κι αν εντυπωσίασε όλες αυτές τις προκλήσεις πρώτα αποτελέσματα. Οι ερευνητές εκπαιδεύονται τον αλγόριθμο για τον εντοπισμό συγκεκριμένων προτύπων στα δεδομένα που συλλέγονται από τους αισθητήρες εγκατασταθεί στο ρομποτικό γόνατο. Αυτό με τη σειρά του επέτρεψε να διαπιστωθεί η λειτουργικότητα όριο ρομποτικό προσθετικό, αποφεύγοντας έτσι τις ανεπιθύμητες καταστάσεις που θα μπορούσαν να οδηγήσουν σε πτώση. Τελικά, ο αλγόριθμος έχει μάθει να βασίζονται σε ένα συγκεκριμένο σχέδιο δράσης, που θα εξασφαλίσει τη σταθερότητα, την ομαλή και φυσική κίνηση σε ένα ρομποτικό άκρο.

Αυτοματοποιημένη προσέγγιση της μάθησης ρομποτικό άκρο είναι ακόμα πολύ μακριά από τη μαζική χρήση. Τώρα οι επιστήμονες θέλουν να εκπαιδεύσει τον αλγόριθμο ομαλό έλεγχο πρόθεσης σχετικά με την αύξηση, την αύξηση (για παράδειγμα, με καρέκλες) και καθόδου (π.χ. σκάλες). Επιπλέον, η πρόκληση είναι να καταστεί το σύστημα πιο αυτόνομη, η οποία θα διεξάγει την κατάρτιση και προσαρμογή των προθέσεων όχι μόνο σε συνθήκες εργαστηρίου. Ένα από τα πιο δύσκολα και ταυτόχρονα τα πιο σημαντικά καθήκοντα, σύμφωνα με τους ερευνητές, είναι να αναπτύξει μια μέθοδο αλγόριθμο «επικοινωνία» και το πρόσωπο που ο τελευταίος μπορεί να του πει ποια από την επιλεγμένη ρύθμιση πρόθεση είναι πιο βολικό. Οι πρώτες προσπάθειες για την επίλυση αυτού του προβλήματος μέσω των συνηθισμένων πλήκτρων και άλλες απλές μεθόδους εισαγωγής αποδείχθηκαν αναποτελεσματικά. Ίσως, εν μέρει λόγω αυτής της έκδοσης του interface «μηχανή του υπολογιστή» δεν επιτρέπει να περάσει την πλήρη εικόνα της ανθρώπινης αντίληψης του συντονισμού.

«Αυτή η μέθοδος δεν θα λειτουργήσει, επειδή δεν καταλαβαίνουμε πλήρως όλες τις λειτουργίες του ανθρώπινου σώματος. Πρώτα απ 'όλα, θα πρέπει να συμπληρώσετε κάποια από τα κενά στη βασική γνώση της ψυχολογίας και της φυσιολογίας, «- συνοψίζει Huang.

Οι προοπτικές για την ανάπτυξη των ρομποτικών προσθέσεις στη βάση της τεχνητής νοημοσύνης μπορεί να συζητηθεί σε μας Τηλεγράφημα-συνομιλία.

Σχετικά άρθρα