La mayoría de las investigaciones de inteligencia artificial (IA) hasta la fecha se han centrado en la visión. Gracias al aprendizaje automático y, en particular, al aprendizaje profundo, ahora tenemos robots y dispositivos que tienen una buena comprensión visual de su entorno. Pero no lo olvidemos, la vista es sólo uno de los sentidos biológicos humanos. Para los algoritmos que mejor imitan a los investigadores de inteligencia humana, ahora se están centrando en conjuntos de datos que se basan en sistemas sensoriomotores y retroalimentación táctil. Con este sentido adicional en el que basarse, los futuros robots y dispositivos de IA tendrán una mayor conciencia de su entorno físico, lo que abrirá nuevos casos de uso y posibilidades.
Sistemas de inteligencia artificial capacitados hápticamente.
Jason Toy, entusiasta de la IA, tecnólogo y fundador de Somatic, especialista en aprendizaje profundo y programación neuro-lingüística, estableció recientemente un proyecto centrado en la capacitación de sistemas de inteligencia artificial para interactuar con el entorno basado en la información táctil. Llamado SenseNet: 3D Objects Database y Tactile Simulator, el proyecto se centra en expandir el mapeo de los robots de sus alrededores más allá de lo visual para incluir contornos, texturas, formas, dureza y reconocimiento de objetos mediante el tacto.
El objetivo inicial de Toy para el proyecto es crear una ola de investigación de IA en sistemas sensoriomotores y retroalimentación táctil. Más allá de eso, él imagina que los robots con entrenamiento háptico podrían ser utilizados para desarrollar manos robóticas para su uso en fábricas y centros de distribución para realizar el empaquetado de contenedores, la recuperación de piezas, el cumplimiento de pedidos y la clasificación. Otras aplicaciones posibles incluyen manos robóticas para la preparación de alimentos, tareas domésticas y ensamblaje de componentes.
Robótica y aprendizaje de refuerzo profundo.
El proyecto SenseNet se basa en el aprendizaje por refuerzo profundo (RL), una rama del aprendizaje automático que se basa en técnicas de aprendizaje supervisadas y no supervisadas y se basa en un sistema de recompensas basado en interacciones supervisadas para encontrar mejores formas de mejorar los resultados de forma iterativa.
Muchos creen que RL ofrece un camino para desarrollar robots autónomos que podrían dominar ciertos comportamientos independientes con una intervención humana mínima. Por ejemplo, las evaluaciones iniciales de las técnicas de RL profunda indican que es posible usar la simulación para desarrollar destrezas de manipulación 3D sin tener que crear representaciones manualmente.
Usando el conjunto de datos SenseNET
SenseNET y sus recursos de soporte están diseñados para superar muchos de los desafíos comunes
Los investigadores se enfrentan cuando se embarcan en proyectos de inteligencia artificial basados en el tacto. Un conjunto de datos de formas de código abierto, la mayoría de los cuales se pueden imprimir en 3D, así como un simulador táctil permiten a los investigadores de AI acelerar el trabajo del proyecto. La Figura 1 muestra ejemplos de algunas de las formas incluidas en el conjunto de datos de SenseNET.
Figura 1: Ejemplos de objetos SenseNet 3D.
El repositorio de SenseNet en GitHub * proporciona numerosos recursos más allá del conjunto de datos de objetos 3D, incluidos ejemplos de entrenamiento, pruebas de clasificación, puntos de referencia, ejemplos de código de Python * y más.
El conjunto de datos se hace aún más útil mediante la adición de un simulador que permite a los investigadores cargar y manipular los objetos. Toy explica: "Hemos construido una capa sobre el motor de física Bullet. Bullet es un motor de física ampliamente utilizado en juegos, películas y, más recientemente, en robótica e investigación de aprendizaje automático. Es un motor de física en tiempo real que simula cuerpos blandos y rígidos, detección de colisiones y gravedad. Incluimos una mano robótica llamada MPL que permite un rango completo de movimiento en los dedos y hemos incorporado un sensor táctil en la punta del dedo índice que permite que la mano simule el tacto ”. La figura 2 muestra algunas de las manos apoyadas. Gestos que están disponibles utilizando MPL.
Figura 2: gestos de mano robóticos disponibles en SenseNet.
Tecnologías de apoyo
Para acelerar el entrenamiento y las pruebas de muchos algoritmos de aprendizaje de refuerzo, Toy utilizó el Entrenador de aprendizaje de refuerzo de Intel, un marco de prueba de aprendizaje automático. Al funcionar dentro de un entorno Python *, el Reinforcement Learning Coach permite a los desarrolladores modelar la interacción entre un agente y el entorno, como se muestra en la figura 3.
Figura 3: Modelando un agente combinando bloques de construcción.
Al combinar varios componentes básicos y al proporcionar herramientas de visualización para mostrar dinámicamente la capacitación y los resultados de las pruebas, Reinforcement Learning Coach hace que el proceso de capacitación sea más eficiente, así como la prueba del agente en múltiples entornos. Se puede acceder fácilmente a las herramientas de visualización avanzadas, basadas en los datos recopilados durante las secuencias de entrenamiento, a través del panel de control de Coach y utilizarlas para depurar y optimizar el agente que se está capacitando.
Oportunidades para desarrolladores
En términos de oportunidades para otros desarrolladores, Toy dice: "No tengas miedo de ir en contra de la norma. La mayor parte de la locura por el aprendizaje profundo se centra en las redes neuronales convolucionales (CNN) y la visión por computador, ya que es allí donde se han producido las mayores ganancias. "Otras áreas menos exploradas ofrecen ideas y, a veces, avances en la inteligencia artificial y estas vías menos populares pueden conducir. Direcciones prometedoras.
Finalmente, Toy dice: "No se limite a estudiar inteligencia artificial desde el punto de vista de las matemáticas y la informática. Mire otros campos como la neurociencia computacional y la ciencia cognitiva ".
Para obtener más información sobre el proyecto SenseNet, lea la historia de éxito: El aprendizaje profundo brinda un toque a los robots. Para más información sobre el Aprendizaje Profundo, vea el video: ¿Por qué el aprendizaje profundo ahora?