ISLA: Interaktivt Lärande för Robotar
- Diarienummer
- FFL18-0199
- Projektledare
- Leite, Iolanda
- Start- och slutdatum
- 200401-250331
- Beviljat belopp
- 12 000 000 kr
- Förvaltande organisation
- KTH - Royal Institute of Technology
- Forskningsområde
- Informations-, kommunikations- och systemteknik
Summary
Allteftersom robotar rör sig från en kontrollerad miljö till den dynamiska verkligheten är ett hinder behovet att ta hänsyn till mångfalden av situationer som kan uppstå. För att möjliggöra självinlärning hos robotar på ett skalenligt och kostnadseffektivt sätt, föreslår vi ett nytt interaktivt inlärningssystem där robotar gradvis kan införskaffa sig mer kunskap med hjälp av semi-situerade icke-expert lärare och applicera den nyfunna kunskapen i beslutsfattande. I detta syfte utvecklar vi nya beräkningsmetoder åt robotar för att (1) fråga ut semi-situerade lärare genom att förmedla deras underliggande representation och (2) syntetisera den nyfunna kunskapen för användning i nya situationer. Vårt nya inlärningssystem har två huvudaspekter. Först, att robotarna kommer samla in kunskap från mänskliga lärare som inte befinner sig i robotens närliggande området, till skillnad från det typiska inlärning genom demonstration där både roboten och läraren delar samma yta. Det andra är att vi kommer utnyttja de senaste utvecklingarna i visuell slutanvändarprogrammering för att tänja på gränserna på komplexiteten av de utmaningar som icke-expertanvändare kan lära robotar. Robotars förmåga att bli självlärda från mångfaldsbaserade demonstrationer och utveckla sina förmågor kommer att bli ett paradigmskifte i robotars inlärningssätt. Detta kommer att öppna dörrar för nästa generations robotar att införskaffa sig ny information medans de stöter på nya utmaningar i den riktiga världen.
Populärvetenskaplig beskrivning
Allteftersom robotar rör sig från en kontrollerad miljö till den dynamiska verkligheten är ett hinder behovet att ta hänsyn till mångfalden av situationer som kan uppstå. För att möjliggöra självinlärning hos robotar på ett skalenligt och kostnadseffektivt sätt, föreslår vi ett nytt interaktivt inlärningssystem där robotar gradvis kan införskaffa sig mer kunskap med hjälp av semi-situerade icke-expert lärare och applicera den nyfunna kunskapen i beslutsfattande. I detta syfte utvecklar vi nya beräkningsmetoder åt robotar för att (1) fråga ut semi-situerade lärare genom att förmedla deras underliggande representation och (2) syntetisera den nyfunna kunskapen för användning i nya situationer. Vårt nya inlärningssystem har två huvudaspekter. Först, att robotarna kommer samla in kunskap från mänskliga lärare som inte befinner sig i robotens närliggande området, till skillnad från det typiska inlärning genom demonstration där både roboten och läraren delar samma yta. Det andra är att vi kommer utnyttja de senaste utvecklingarna i visuell slutanvändarprogrammering för att tänja på gränserna på komplexiteten av de utmaningar som icke-expertanvändare kan lära robotar. Robotars förmåga att bli självlärda från mångfaldsbaserade demonstrationer och utveckla sina förmågor kommer att bli ett paradigmskifte i robotars inlärningssätt. Detta kommer att öppna dörrar för nästa generations robotar att införskaffa sig ny information medans de stöter på nya utmaningar i den riktiga världen.