مهندسان برق در دانشگاه کالیفرنیا سن دیگو یک الگوریتم تشخیص سریعتر برخورد را ایجاد کرده اند که با استفاده از یادگیری ماشین برای کمک به روبات ها از جلوگیری از حرکت اشیاء و بافتن از طریق محیط های پیچیده و به سرعت در حال تغییر در زمان واقعی استفاده می کنند. این الگوریتم ، لقب "Fastron" ، تا 8 برابر سریعتر از الگوریتم های تشخیص برخورد تصادفی موجود است.

تیمی از مهندسین به سرپرستی مایکل ییپ ، استاد مهندسی برق و کامپیوتر و عضو پژوهشگاه روباتیک متن در UC سن دیگو ، الگوریتم جدید را در اولین کنفرانس سالانه یادگیری رباتها از 13 تا 15 نوامبر در دفتر مرکزی گوگل ارائه می دهند. این کنفرانس دانشمندان برتر یادگیری ماشین را به یک رویداد فقط دعوت می کند. تیم Yip یکی از مذاکرات طولانی را در طول کنفرانس 3 روزه ارائه می دهد.

این تیم پیش بینی می کند که Fastron برای ربات هایی که در محیط های انسانی فعالیت می کنند ، در جایی که باید بتوانند با اشیاء در حال حرکت و افراد به صورت روان کار کنند ، بسیار مفید خواهد بود. یکی از کاربردهایی که آنها به طور خاص مورد بررسی قرار می دهند ، جراحی هایی است که توسط ربات انجام می شود و با استفاده از سیستم جراحی داوینچی انجام می شود ، در این صورت یک بازوی روباتیک به طور مستقل وظایف کمکی را انجام می دهد (مکش ، آبیاری یا کشیدن بافت به عقب) بدون اینکه در راه بازوهای تحت کنترل جراح باشد یا اندام بیمار

ییپ گفت: "این الگوریتم می تواند به یک دستیار روبات کمک کند تا در جراحی از راه ایمن همکاری کند."

این تیم همچنین پیش بینی می کند که Fastron را می توان برای روبات هایی که در خانه برای برنامه های کمک به زندگی زندگی می کنند ، و همچنین برای گرافیک رایانه برای صنعت بازی و فیلم استفاده کرد ، جایی که بررسی تصادف اغلب تنگنای اکثر الگوریتم ها است.

مشکلی که در الگوریتم های تشخیص برخورد فعلی وجود دارد این است که آنها بسیار محاسباتی سنگین هستند. آنها زمان زیادی را برای مشخص کردن تمام نقاط در یک فضای معین - هندسه های خاص 3 بعدی ربات و موانع - و انجام بررسی های برخورد در هر نقطه صرف می کنند تا مشخص کنند که آیا دو بدن در هر زمان معینی از هم تلاقی می کنند. هنگامی که موانع در حال حرکت هستند ، محاسبه بیشتر می شود.

برای سبک تر کردن بار محاسباتی ، Yip و تیمش در آزمایشگاه پیشرفته Robotics and Controls (ARClab) در UC سن دیگو یک رویکرد حداقلی را در تشخیص برخورد ایجاد کردند. نتیجه Fastron بود ، الگوریتمی که از استراتژیهای یادگیری ماشینی استفاده می کند - که به طور سنتی برای طبقه بندی اشیاء استفاده می شود - برای طبقه بندی برخلاف عدم برخورد در محیط های پویا. نیکل داس ، دکترای مهندسی برق گفت: "ما در واقع نیازی به دانستن همه هندسه ها و نقاط خاص نداریم. تنها چیزی که باید بدانیم این است که آیا موقعیت فعلی روبات در معرض برخورد است یا خیر." دانشجوی گروه Yip و نویسنده اول مطالعه.

الگوریتم Fastron

نام Fastron از ترکیب Fast و Perceptron است که یک روش یادگیری ماشین برای انجام طبقه بندی است. ویژگی مهم Fastron این است که خیلی سریع مرزهای طبقه بندی خود را به روز می کند تا بتواند صحنه های متحرک را در خود جای دهد ، کاری که به طور کلی برای جامعه یادگیری ماشین چالش برانگیز بوده است.

استراتژی یادگیری فعال Fastron با استفاده از یک حلقه بازخورد کار می کند. این کار با ایجاد الگویی از فضای پیکربندی ربات یا فضای C ، یعنی فضایی که تمام موقعیت های ممکن را که روبات می تواند به دست آورد ، شروع می شود. فسترون فضای C را با استفاده از تعداد محدودی از نقاط پراکنده ، که از تعداد کمی از نقاط به اصطلاح برخورد و نقاط بدون برخورد تشکیل می کند ، مدل می کند. الگوریتم سپس مرز طبقه بندی بین تصادف و نقاط بدون برخورد را مشخص می کند — این مرز در اصل یک طرح کلی از جایی است که موانع انتزاعی در فضای C قرار دارد. با حرکت موانع ، مرز طبقه بندی تغییر می کند. Fastron به جای انجام بررسی های برخورد در هر نقطه از فضای C ، همانطور که با الگوریتم های دیگر انجام می شود ، هوشمندانه چک های نزدیک مرزها را انتخاب می کند. هنگامی که این تصادفات و عدم برخورد را طبقه بندی می کند ،

از آنجا که مدل های Fastron ساده تر هستند ، محققان بررسی های برخورد آن را محافظه کار تر نشان می دهند. داس توضیح داد ، از آنجا که فقط چند نکته کل فضای را نشان می دهد ، همیشه مشخص نیست که چه چیزی در فضای بین دو نقطه اتفاق می افتد ، بنابراین تیم الگوریتم را برای پیش بینی برخورد در آن فضا تهیه کرده اند. داس گفت: "ما به سمت ایجاد الگوی ریسک پذیری گرایش پیدا کردیم و اساساً موانع فضای کار را تحمل کردیم." این تضمین می کند که تنظیم می شود ربات در محیط های حساس مانند عمل جراحی ، یا برای روبات هایی که در خانه برای کمک به زندگی کار می کنند ، محافظه کارتر باشد.

این تیم تاکنون الگوریتم شبیه سازی های رایانه ای روی روبات ها و موانع شبیه سازی را نشان داده است. با حرکت به جلو ، این تیم در تلاش است تا سرعت و دقت بیشتر Fastron را بهبود بخشد. هدف آنها پیاده سازی Fastron در یک جراحی روباتیک و تنظیم یک ربات خانگی است.