Hlboké učenie za posledných 5 rokov pomohlo robotom zlepšiť vnímanie využívajúce konvolučné neurónové siete (CNN). CNN zvyčajne používajú RGB farebné kanály, podobné typu obrazu nasnímaného pomocou štandardného digitálneho fotoaparátu, na zachytenie a analýzu vizuálnych snímok. V mnohých činnostiach, napríklad pri šoférovaní je však poznanie farieb objektu obmedzené.
Dôležitejšia je preto priestorová geometria scény. Vtedy fyzický proces manipulácie nezávisí len od farby alebo textúry objektu, ale najmä od jeho geometrie, pózy, veľkosti atď. Keď manipulujeme s perom napríklad rukou, môžeme ním bez problémov pohnúť bez toho, aby sme sa na pero pozerali. Keď však ide o vnímanie potrebné na manipuláciu s objektmi, záleží na geometrii.
V minulosti zahŕňalo robotické snímanie hĺbky porovnávanie párov bodov medzi zladenými farebnými obrázkami z dvoch rôznych kamier. Analýzou rozdielov medzi týmito bodmi sa zistila hĺbka. Aj keď je tento prístup do istej miery účinný, vo výsledných odhadoch hĺbky stále existuje značná chybovosť. Alternatívou je použitie hĺbkových kamier, ktoré produkujú jednokanálové obrázky v odtieňoch sivej, ktoré špecificky merajú hodnoty hĺbky z kamery. Hĺbka sa tiež používa na filtrovanie bodov na určitú vzdialenosť, aby sa odstránil akýkoľvek hluk v pozadí, ktorý môže zmiasť schopnosť robota presne vnímať objekt.
Ďalšou výhodou pre hĺbkové obrázky je to, že môžeme efektívne syntetizovať realistické príklady z geometrických modelov. William S. Floyd ml., strategický poradca spoločnosti ROBO GLOBAL, vyvinul so svojimi študentmi výskumný projekt Dexterity Network zameraný na prácu robotov pomocou hlbokého učenia a syntetických hĺbkových obrazov. „Pomocou tejto metódy sme dokázali vyškoliť robota ABB YuMi na rozlišovanie širokej škály predtým nevidených objektov. Náš robot dokázal prekonať prístupy RGB napriek tomu, že nebol trénovaný na skutočných obrazoch,“ konštatoval W. S. Floyd.
Kombináciou sily hlbokého učenia a hĺbkových snímok môžu tieto prístupy dať robotom možnosť dozvedieť sa o okolitom svete novým spôsobom. V konečnom dôsledku táto výkonná kombinácia umožní robotom, akým je napríklad Fetch, počítať údaje, triediť, vyberať a baliť objekty v skladoch.
Toyota investuje do svojho výskumného inštitútu Toyota Research Institute v Silicon Valley so zameraním na umelú inteligenciu a zakladá fond vo výške 100 miliónov dolárov na investovanie do startupov a nových technológií robotiky. V oblasti zdravotnej starostlivosti spoločnosť Johnson & Johnson nedávno získala spoločnosť Auris Health za 3,4 mld. dolárov, čo je doteraz najväčšia investícia do chirurgickej robotiky.
Foto: RoboticsNews
