System umożliwiający robotom efektywne wykonywanie języka naturalnego

Czy marzysz o przyszłości, w której roboty są wykorzystywane do różnych działań, abyśmy nie musieli sami ich wykonywać?

Chodź, pomyśl o tym! Czyszczenie, gotowanie, wykonywanie wszystkich naszych obowiązków to tylko niektóre z cudownych możliwości. Co za wspaniała możliwość? Niestety w tej chwili będziesz musiał dalej śnić.

Chociaż istnieją tam niesamowite roboty, roboty nie są jeszcze wystarczająco elastyczne, aby skutecznie wykonywać szeroki zakres czynności. Co więcej, chociaż technologia rozpoznawania mowy postępuje skokowo, wciąż nie jest wystarczająco dobra do użycia z robotami.

Najlepszym sposobem na uzyskanie czegoś w rodzaju hipotetycznego lokaja robota, aby postępować zgodnie z instrukcjami, byłoby wpisanie zestawu instrukcji.

Polecenia mówione

Problem z poleceniami mówionymi polega na tym, że zawierają różne poziomy złożoności, chociaż nie zawsze jest to jasne.

Wyobraź sobie, że mówisz swojemu robotowi: „Podnieś tam to pudełko”. Wydaje się to dość proste, ale jest problem. Twój robot będzie musiał podzielić to na kilka kroków przed wykonaniem akcji. Możliwym scenariuszem wykonania tego polecenia jest:

• Włącz system śledzenia
• Włącz silniki chodzące
• Zmień kierunek
• Podejmij niezbędne kroki
• Obróć kończyny
• Pudełko zaciskowe
• Podnośnik

Jak widać, jest to bardziej skomplikowane niż się wydawało. Teraz wyobraź sobie tę komendę w porównaniu do „Włącz system śledzenia”. Chociaż liczba słów użytych do przekazania tych dwóch poleceń jest podobna, ich poziom złożoności jest różny od siebie.

Jak możemy to rozwiązać? Obecnie roboty będą miały problemy z określeniem różnych poziomów złożoności poleceń głosowych.

Nie obawiaj się, zespół z Brown University opracował system, który poprawia sposób, w jaki roboty obsługują polecenia mówione.

Jak sprawić, by twoje roboty przestrzegały twoich rozkazów: System umożliwiający efektywne wykonywanie robotów wymawianych poleceń

Naukowcy z Brown wykorzystali uzyskane dane do szkolenia systemu w celu zrozumienia różnych poziomów złożoności. System był wtedy w stanie zebrać, jakie działania należy wykonać i zrozumieć poziomy złożoności związane z różnymi strukturami zdań.

Zespół z Brown University postanowił rozwiązać problem nakłaniania robotów do wykonywania poleceń głosowych przy użyciu genialnego systemu. Wykorzystali zarówno mechaniczny Amazon Turk, jak i narzędzie o nazwie Virtual Cleanup World do opracowania swojego modelu.

Mechaniczny Turk to rynek pracy, który wymaga inteligencji ludzi. Chociaż sztuczna inteligencja robi imponujące wyczyny, istnieje wiele zadań, które ludzie mogą wykonać bardziej efektywnie, takich jak identyfikacja obiektów w wideo. Wirtualny świat oczyszczania jest wirtualną domeną zadań. Składa się z pokoi oznaczonych kolorami, wirtualnego robota i obiektu do wykonywania zadań przez robota.

Wolontariusze z Mechanical Turk zorientowali się, które zestawy instrukcji doprowadziły do ​​określonych działań w świecie Cleanup. Po pierwsze, obserwowali robota wykonującego różne zadania.

Następnie zapytano ich, jakie zestawy instrukcji będą działać lepiej. Ochotnicy zostali poproszeni o utworzenie poleceń wysokiego poziomu, średniego i niskiego poziomu.

Polecenia wysokiego poziomu to takie, jak poinstruowanie robota, aby przyniósł krzesło do pokoju o określonym kolorze. Polecenia niskiego poziomu były poleceniami podzielonymi na kilka kroków. Polecenia średniego poziomu łączyły funkcje poleceń wysokiego i niskiego poziomu.

Naukowcy z Brown wykorzystali uzyskane dane do szkolenia systemu w celu zrozumienia różnych poziomów złożoności. System był wtedy w stanie zebrać, jakie działania należy wykonać i zrozumieć poziomy złożoności związane z różnymi strukturami zdań.

Testowanie systemu

Kiedy roboty były w stanie określić pożądany efekt końcowy, a także zrozumieć poziom złożoności zadań, wykonały zadanie w ciągu zaledwie 1 sekundy 90 procent czasu.

Na tej podstawie był w stanie opracować odpowiedni plan oparty na przekazanych poleceniach. Po przeszkoleniu ich systemu nadszedł czas na przetestowanie owoców ich pracy. Badania ponownie wykorzystały Świat Oczyszczenia, a także prawdziwego robota działającego w fizycznej przestrzeni ustawionej podobnie do wirtualnego Świata Oczyszczania.

Kiedy roboty były w stanie określić pożądany efekt końcowy, a także zrozumieć poziom złożoności zadań, wykonały zadanie w ciągu zaledwie 1 sekundy 90 procent czasu.

Jednakże, gdy nastąpiło załamanie w zrozumieniu poziomu złożoności, ukończenie zadania zajęło więcej czasu. W tym przypadku roboty potrzebowały 20 lub więcej sekund planowania, aby wykonać zadanie.

Naukowcy będą musieli znaleźć sposoby na zminimalizowanie tych awarii, aby stworzyć bardziej wydajny system.

Końcowe przemyślenia

Roboty mają jeszcze sporo do zrobienia, zanim staną się głównym nurtem. Jednak ta praca przybliża nas do posiadania robotów, które mogą łatwo zrozumieć polecenia, które im przekazujemy. Do tego czasu myj własne naczynia.