AI低成本资料收集法扩大机器人训练规模

由卡内基梅隆大学、Facebook AI Research、纽约大学和加州大学伯克莱分校组成的AI研究团队，创建了使用便宜或免费材料训练机器人的方法，可用来扩大训练资料的收集范围，便于广泛采用。

根据VentureBeat报导，研究人员透过加装GoPro相机的夹取杆记录夹子的动作，并使用这些资料进行操纵或堆叠物件的实验，并将这种新颖方法称为「使用辅助工具架构示范法」(Demonstrations Using Assistive Tools Framework)，因为几乎可以在任何地方收集训练资料，不像现有方法只能在实验室中进行资料收集。

在高科技的机器人研究中，研究人员选择使用技术含量低的夹取器，主要因为是廉价又容易取得的机器人，不需训练即可上手。为了训练模型，团队透过3D列印支架将GoPro相机安装在夹取杆上，并记录下1,000次移动物体或完成任务的尝试。

研究人员收集到的影片训练卷积神经网路(CNN)，然后应用于配备相机以及同类型双指夹具的机械手臂。他们更在训练资料中加入随机抖动、裁剪和旋转等资料增强功能，以便在实验室环境中测试时获得更高的成功率，并使用行为复制(Behavioral Cloning)和监督式学习来训练模型的策略设定。

透过这些视觉演示，研究人员使用现成的运动回覆结构(Structure from Motion；SfM)法以及使用已训练的手指感测器的夹子配置来萃取工具轨迹，然后再使用标准的模仿学习技术学习相应的技能。这套系统在推移桌面物体至目标位置的成功率达到了87.5%，堆叠效能则达到62.5%。

视觉模仿学习试图根据所看到的输入资料演示来训练机器人，例如完成任务的照片或影像。现有方法包括动觉(kinesthetic)教学，但却过于缓慢、难度较高，并且需要更多人力。

DAT架构法可用于训练这类在家中操作用来完成独特任务的机器人，例如由前Google机器人主管Aaron Edsinger和乔治亚理工学院教授Charlie Kemp成立的新创公司Hello Robot推出的首款机器人Stretch，便使用类似夹取器的简单夹子来移动或抓取真实世界中的物件。

内容源：摘自DIGITIMES