Тестирование модели глубокого обучения без учителя для имитации роботом движений человека

Роботы, которые могут точно имитировать действия и движения людей в режиме реального времени, могут быть невероятно полезны, поскольку они могут научиться выполнять повседневные задачи определенными способами без необходимости тщательного предварительного программирования для этих задач. Хотя методы, позволяющие имитировать обучение, значительно улучшились за последние несколько лет, их эффективность часто снижается из-за отсутствия соответствия между телом робота и телом его пользователя-человека.

Исследователи из U2IS, ENSTA Paris, недавно представили новый глубокое обучениеоснованную на модели, которая могла бы улучшить движение возможности имитации гуманоидных робототехнических систем. Эта модель, представленная в бумага предварительно опубликовано на arXivрассматривает имитацию движения как три отдельных этапа, призванных уменьшитьробот проблемы с перепиской, о которых сообщалось в прошлом.

«Эта ранняя исследовательская работа направлена ​​на улучшение онлайн-имитации человека и робота путем перевода последовательностей совместных положений из области человеческих движений в область движений, достижимых данным роботом, таким образом, ограниченных его воплощением», — Луи Аннаби, Зики Ма и Сао Май Нгуен написали в своей статье. «Используя возможности обобщения методов глубокого обучения, мы решаем эту проблему, предложив кодер-декодер модель нейронной сети выполнение междоменного перевода».

Модель, разработанная Аннаби, Ма и Нгуеном, разделяет процесс имитации человека и робота на три ключевых этапа, а именно: оценка позы, перенацеливание движения и управление роботом. Во-первых, он использует алгоритмы оценки позы для прогнозирования последовательностей положений суставов скелета, которые лежат в основе движений, демонстрируемых человеческими агентами.

Впоследствии модель преобразует эту предсказанную последовательность положений суставов скелета в аналогичные положения суставов, которые реально могут быть воспроизведены телом робота. Наконец, эти преобразованные последовательности используются для планирования движений робота, что теоретически приводит к динамическим движениям, которые могут помочь роботу выполнить поставленную задачу.

«Чтобы обучить такую ​​модель, можно было бы использовать пары связанных движений робота и человека. [yet] такие парные данные на практике крайне редки, и их утомительно собирать», — пишут исследователи в своей статье. «Поэтому мы обращаемся к методам глубокого обучения для непарного междоменного перевода, которые мы адаптируем для выполнения человеко-роботного перевода. имитация».

Аннаби, Ма и Нгуен оценили эффективность своей модели в серии предварительных тестов, сравнив ее с более простым методом воспроизведения совместной ориентации, не основанным на глубоком обучении. Их модель не достигла результатов, на которые они надеялись, что позволяет предположить, что нынешние методы глубокого обучения, возможно, не смогут успешно перенацеливать движения в в реальном времени.

Теперь исследователи планируют провести дальнейшие эксперименты, чтобы выявить потенциальные проблемы своего подхода, чтобы они могли их решить и адаптировать модель для улучшения ее производительности. Результаты команды на данный момент показывают, что, хотя методы глубокого обучения без учителя могут использоваться для имитации обучения роботов, их производительность все еще недостаточно хороша для их применения на реальных роботах.

«Будущая работа расширит текущее исследование в трех направлениях: дальнейшее исследование неудач текущего метода, как объяснено в последнем разделе, создание набора данных парных данных о движении из имитации человека-человека или робота-человека. имитацияи улучшение архитектуры модели для получения более точных прогнозов ретаргетинга», — заключают исследователи в своей статье.

© 2024 Сеть Science X