RoboCat - Kendini geliştiren robot ajan

• Google DeepMind, bir robot kolu üzerinden çeşitli görevleri yerine getirirken kendi kendine öğrenen RoboCat'i tanıttı.
• Hem gerçek ortamda hem de simülasyon ortamında çalışabilen çok modlu model Gato'yu (İspanyolcada 'kedi') temel alıyor.
  • Kendini geliştirmek için önce yeni görev hakkında gerçek veriler topluyor.
  • Gerçek verilere dayanarak temel modeli ince ayardan geçirip bir spin-off ajan oluşturuyor.
  • Yeni ajan, eğitim veri kümesini oluşturmak için yaklaşık 10 bin kez pratik yapıyor.
  • Gerçek veriler ve kendi ürettiği veriler RoboCat'in eğitim veri kümesine entegre ediliyor.
  • RoboCat'in yeni sürümü eğitiliyor.
• Bu sayede daha fazla ekleme sahip veya daha fazla kıskacı olan yeni robot kollara birkaç saat içinde uyum sağlayabiliyor.
• Ayrıca eğitimde olumlu bir döngü oluşuyor; belirli bir görevde %36 başarı oranı gösteren ilk model, bunun iki katından fazla artarak %74'e ulaşıyor.

[nicewook]

Nihayet yapay zekanın gerçek dünyayla buluşup onu deneyimleyeceği bir alan açılıyor.

[kuroneko]

• Makale
• HN başlığı

HN başlığındaki yorumlar çok komik.
Ben de tam benzerini düşünmüştüm: Robot bir kedi bekleyen tek kişi ben miydim? Biraz hayal kırıklığına uğradım... diye...

Bari robot kola bir kedi çıkartması yapıştırsalardı, güzel olurdu.

[kuroneko]

Makaleyi özetleyince ortaya şu çıkıyor.

RoboCat, robot manipülasyonu için öz-iyileştirme temelli bir ajandır. Çoklu simülasyonlar ve gerçek robot kolları kullanılarak elde edilen büyük ölçekli ve çeşitli bir robot görevleri veri kümesiyle eğitilir.

RoboCat'in başlıca hedefleri şunlardır.

1. Yeni görevler ve robotlara çok az veriyle genelleme yapar. RoboCat, yalnızca 100 ila 1000 gösterim örneği kullanarak yeni görevlere ve robotlara uyum sağlayabilir.
2. Yinelemeli bir süreçle kendini iyileştirir. İnce ayar yapılmış RoboCat modeli, daha fazla eğitim verisi üretmek için kullanılır ve bu veriler eğitim setine eklenerek genel ajan geliştirilir.
3. Farklı görevler ve gözlem uzaylarına sahip birden fazla uygulamayı işler. RoboCat, 14'e kadar serbestlik derecesine ve farklı gripper'lara sahip kollarda test edilmiştir.
4. Farklı şekil, boyut ve dokuya sahip nesnelerle çeşitli becerikli manipülasyon görevlerini çözer. Görevler arasında istifleme, yerleştirme ve kaldırma bulunur.

Başlıca sonuçlar şunlardır.

• RoboCat'in eğitim verisi arttıkça ve çeşitlendikçe, görevler arası aktarım daha iyi hale gelir ve yeni görevlere uyum daha verimli gerçekleşir.
• RoboCat, az miktarda gösterim verisi kullanarak yeni görevler ve robotlara başarılı şekilde uyum sağlayabilir ve temel yaklaşımlarla karşılaştırıldığında daha az öğrenme çabası gerektirir.
• Öz-iyileştirme yoluyla eğitim verisini genişleterek RoboCat, özgün eğitim görevlerinde daha iyi performans gösterir ve ince ayarla geliştirilir.

Özetle, büyük ölçekli ve çeşitli veri kümeleriyle eğitilmiş, robot manipülasyonu için öz-iyileştirme temelli bir ajan olan RoboCat; ince ayar ve öz-iyileştirme sayesinde yeni görevlere ve robotlara çok az veriyle genelleme yapabildiğini gösteriyor. Büyük ölçekte heterojen robot deneyimlerinden yararlanma yeteneği, robot öğrenimini dönüştürme potansiyeli taşıyor.