โดย เทรซี่ Staedter เผยแพร่กรกฎาคม 20, 2017 เว็บสล็อตออนไลน์ เมื่อป้อนโมเดล 3 มิติของของใช้ในครัวเรือนในมุมมองจากมุมสูง (ซ้าย) อัลกอริทึมใหม่จะสามารถเดาได้ว่าวัตถุคืออะไรและรูปร่าง 3 มิติโดยรวมควรเป็นอย่างไร ภาพนี้แสดงให้เห็นการคาดเดาในศูนย์และรูปแบบที่เกิดขึ้นจริง 3 – D ทางด้านขวา (เครดิตภาพ : Ben Burchfield)
หุ่นยนต์มีความน่าเชื่อถือในสภาพแวดล้อมทางอุตสาหกรรมซึ่งวัตถุที่เป็นที่รู้จักจะปรากฏในเวลาที่คาดการณ์ได้ในสถานการณ์ที่คุ้นเคย แต่ชีวิตที่บ้านยุ่งเหยิง วางหุ่นยนต์ไว้ในบ้านซึ่งมันต้องนําทางไปยังดิน
แดนที่ไม่คุ้นเคยซึ่งรกไปด้วยวัตถุแปลกปลอมและมันก็ไร้ประโยชน์
ตอนนี้นักวิจัยได้พัฒนาอัลกอริธึมคอมพิวเตอร์วิทัศน์ใหม่ที่ช่วยให้หุ่นยนต์สามารถจดจําวัตถุสามมิติและได้อย่างรวดเร็วรายการ intuit ที่ถูกบดบังหรือพลิกคว่ําบางส่วนโดยไม่จําเป็นต้องดูจากหลายมุม
”มันเห็นครึ่งหน้าของหม้อนั่งอยู่บนเคาน์เตอร์และเดาว่ามีที่จับอยู่ด้านหลังและนั่นอาจเป็นสถานที่ที่ดีในการหยิบมันขึ้นมา” Ben Burchfielในการทดลองที่หุ่นยนต์ดู 908 รายการจากจุดชมวิวเดียวมันเดาวัตถุได้อย่างถูกต้องประมาณ 75 เปอร์เซ็นต์ของเวลา อัลกอริทึมคอมพิวเตอร์วิทัศน์ที่ล้ําสมัยก่อนหน้านี้มีความแม่นยําประมาณ 50 เปอร์เซ็นต์Burchfiel และ George Konidaris ผู้ช่วยศาสตราจารย์ด้านวิทยาการคอมพิวเตอร์ที่มหาวิทยาลัยบราวน์ได้นําเสนองานวิจัยของพวกเขาเมื่อสัปดาห์ที่แล้วที่การประชุมหุ่นยนต์: วิทยาศาสตร์และระบบในเคมบริดจ์รัฐแมสซาชูเซตส์
ที่เกี่ยวข้อง: โครงกระดูกภายนอกส่วนบุคคลกําลังก้าวไปสู่อินเทอร์เฟซระหว่างมนุษย์กับเครื่องจักร
หุ่นยนต์ของพวกเขาได้เรียนรู้เกี่ยวกับโลกของมันโดยการกลั่นกรองผ่านฐานข้อมูลของวัตถุสามมิติ 4,000 ชิ้นที่กระจายอยู่ในสิบชั้นเรียนที่แตกต่างกันก่อน เช่น อ่างอาบน้ํา เตียง เก้าอี้ โต๊ะทํางาน โต๊ะเครื่องแป้ง จอภาพ อัฒจันทร์ โซฟา โต๊ะ และห้องสุขา
ในขณะที่อัลกอริทึมทั่วไปอาจฝึกหุ่นยนต์ให้จดจําเก้าอี้หรือหม้อหรือโซฟาทั้งหมดหรืออาจฝึกให้รู้จักชิ้นส่วนของทั้งหมดและปะติดปะต่อเข้าด้วยกัน แต่สิ่งนี้ก็มองหาว่าวัตถุมีความคล้ายคลึงกันอย่างไรและแตกต่างกันอย่างไร
เมื่อพบความสอดคล้องกันภายในคลาสมันจะเพิกเฉยต่อพวกเขาเพื่อลดปัญหาการคํานวณให้มีขนาดเล็กลงจนมีขนาดที่จัดการได้มากขึ้นและมุ่งเน้นไปที่ชิ้นส่วนที่แตกต่างกัน
ตัวอย่างเช่นหม้อทั้งหมดมีโพรงอยู่ตรงกลาง เมื่ออัลกอริทึมได้รับการฝึกฝนให้รู้จักหม้อมันไม่ได้ใช้เวลาในการวิเคราะห์ชิ้นส่วนกลวง เมื่อรู้ว่าวัตถุนั้นเป็นหม้อแล้วมันจะมุ่งเน้นไปที่ความลึกของหม้อหรือตําแหน่งของที่จับแทน
”นั่นช่วยเพิ่มทรัพยากรและทําให้การเรียนรู้ง่ายขึ้น” Burchfiel
ทรัพยากรการประมวลผลเพิ่มเติมจะใช้เพื่อค้นหาว่ารายการนั้นอยู่ทางด้านขวาหรือไม่และยังอนุมานรูปร่างสามมิติของมันด้วยหากส่วนหนึ่งของรายการถูกซ่อนอยู่ ปัญหาสุดท้ายนี้น่ารําคาญอย่างยิ่งในด้านการมองเห็นด้วยคอมพิวเตอร์เพราะในโลกแห่งความเป็นจริงวัตถุทับซ้อนกัน
เพื่อจัดการกับมันนักวิทยาศาสตร์ส่วนใหญ่หันไปใช้รูปแบบที่ทันสมัยที่สุดของปัญญาประดิษฐ์ซึ่งใช้เครือข่ายประสาทเทียมหรือที่เรียกว่าอัลกอริทึมการเรียนรู้เชิงลึกเพราะพวกเขาประมวลผลข้อมูลในลักษณะที่คล้ายกับวิธีที่สมองเรียนรู้
แม้ว่าวิธีการเรียนรู้เชิงลึกจะดีในการแยกวิเคราะห์ข้อมูลอินพุตที่ซับซ้อน เช่น การวิเคราะห์พิกเซลทั้งหมดในรูปภาพ และการทํานายผลลัพธ์ง่ายๆ เช่น “นี่คือแมว” แต่ก็ไม่เก่งในงานผกผัน Burchfiel กล่าว เมื่อวัตถุถูกบดบังบางส่วน มุมมองที่จํากัด — อินพุต — จะซับซ้อนน้อยกว่าเอาต์พุต ซึ่งเป็นการแสดงสามมิติแบบเต็ม
อัลกอริทึม Burchfiel และ Konidaris พัฒนาขึ้นสร้างวัตถุทั้งหมดจากข้อมูลบางส่วนโดยการค้นหารูปร่างที่ซับซ้อนซึ่งมีแนวโน้มที่จะเกี่ยวข้องกัน ตัวอย่างเช่นวัตถุที่มีท็อปส์ซูสี่เหลี่ยมแบนมักจะมีขา หากหุ่นยนต์สามารถมองเห็นเฉพาะด้านบนสี่เหลี่ยมจัตุรัสมันอาจอนุมานขาได้
”กตัวอย่างหนึ่งคือการจัดการ” Burchfeil “มือจับที่เชื่อมต่อกับภาชนะดื่มทรงกระบอกมักจะเชื่อมต่อกันในสองที่ หากเห็นวัตถุรูปแก้วที่มีนูบขนาดเล็กมองเห็นได้ ก็เป็นไปได้ว่านูบนั้นยื่นออกเป็นที่จับโค้งหรือสี่เหลี่ยมจัตุรัส”
ที่เกี่ยวข้อง: หุ่นยนต์ก่อสร้างสามารถ ‘พิมพ์’ อาคารใน 14โมงเมื่อได้รับการฝึกฝนแล้วหุ่นยนต์ก็แสดงวัตถุใหม่ 908 ชิ้นจากมุมมองเดียว มันได้รับคําตอบที่ถูกต้องประมาณ 75 เปอร์เซ็นต์ของเวลา แนวทางนี้ไม่เพียง แต่แม่นยํากว่าวิธีการก่อนหน้านี้ เท่านั้น แต่ยังรวดเร็วมากกด้วย หลังจากหุ่นยนต์ได้รับการฝึกฝนแล้วก็ใช้เวลาประมาณหนึ่งวินาทีในการคาดเดา มันไม่จําเป็นต้องมองไปที่วัตถุจากมุมที่แตกต่างกันและมันก็สามารถอนุมานส่วนที่มองไม่เห็นการเรียนรู้ประเภทนี้ทําให้หุ่นยนต์มีการรับรู้ภาพที่คล้ายกับที่ เว็บสล็อต
