Sztuczna inteligencja i uczenie maszynowe w robotyce i systemach autonomicznych: AI/ML w robotyce, robotyka w AI/ML Piotr Skrzypczyński Instytut Automatyki, Robotyki i Inżynierii Informatycznej, Politechnika Poznańska
Plan prezentacji: Związki robotyki ze sztuczną inteligencją. Dlaczego robotyka potrzebuje AI/ML? Czy AI/ML potrzebuje robotyki? Kierunki wspólnego rozwoju.
AI i robotyka: wspólne początki
AI i robotyka: wspólne początki
AI i robotyka: wspólne początki
AI i robotyka: wspólne początki
Robotyka i AI: aplikacje, przykłady (sterowanie) Podejście klasyczne: Shakey (SRI Intl., 1970) STRIPS Uczenie maszynowe: NavLab (CMU RI, 1989) ALVINN (Autonomous Land Vehicle in a Neural Network)
Robotyka i AI: aplikacje, przykłady (planowanie ruchu) Algorytmy planowania (S. LaValle, Planning Algorithms, MIT Press, 2005). Planowanie w robotyce: curse of dimensionality, niepewność, niestacjonarność (replanowanie), czas rzeczywisty.
Robotyka i AI: aplikacje, przykłady (planowanie ruchu) Algorytmy planowania (S. LaValle, Planning Algorithms, MIT Press, 2005). Planowanie w robotyce: curse of dimensionality, niepewność, niestacjonarność (replanowanie), czas rzeczywisty.
Robotyka i AI: aplikacje, przykłady (model otoczenia) Budowa modelu otoczenia (świata) jest formą nauki. Stan obecny: efektywne algorytmy SLAM lecz nadal wiele problemów praktycznych. Niepewność, dynamika otoczenia, skalowalność, life-long learning.
Robotyka i AI: aplikacje, przykłady (model otoczenia) Budowa modelu otoczenia (świata) jest formą nauki. Stan obecny: efektywne algorytmy SLAM lecz nadal wiele problemów praktycznych. Niepewność, dynamika otoczenia, skalowalność, life-long learning.
Robotyka i AI: aplikacje, przykłady (chwytanie) Roboty usługowe i kooperacyjne potrzebana większa autonomia chwytania. Generalizacja chwytów dla nowych obiektów o nieznanych kształtach. Deep reinforcement learning, próbkowanie z rozkładu prawdopodobieństwa.
Robotyka i AI: aplikacje, przykłady (aplikacje) DARPA Grand Challenge (2005), Urban Challenge (2007). DARPA Robotics Challenge (2015), Subterranean Challenge. Samochody autonomiczne: Google, Tesla, Uber...
Robotyka i ML Ostatnie 5 lat wzrost zainteresowania ML i deep learning. Sukcesy aplikacji uczenia maszynowego w robotyce i nie tylko. RSS 2016: Are the skeptics right? Limits and potential of deep learning in robotics. ICRA 2018: 10% prac dotyczących deep learning, najczęściej występujące słowo kluczowe.
ML i robotyka: problemy i wyzwania Jak ilościowo określić niepewność wyników w ML/DL?
ML i robotyka: problemy i wyzwania Świat robota jest (zazwyczaj) otwarty jak traktować nieznane klasy?
ML i robotyka: problemy i wyzwania Robot powinien adaptować się do zmieniającego się środowiska działania.
ML i robotyka: problemy i wyzwania Robot może działać i aktywnie pozyskiwać/odkrywać wiedzę.
ML i robotyka: problemy i wyzwania Zależności semantyczne są kluczowe dla rozumienia sceny przez człowieka jak robot może się ich nauczyć?
ML i robotyka: problemy i wyzwania Roboty działają w świecie 3-D, jednak percepcja wizyjna dostarcza tylko obraz płaski.
ML i robotyka: problemy i wyzwania Rozumienie semantyki zależy od geometrii, a zdolność do rozpoznania geometrii od znajomości semantyki. Chicken-and-egg problem?
ML i robotyka: problemy i wyzwania Działanie robota jest procesem. Jak uczyć się zależności w czasie?
ML i robotyka: problemy i wyzwania Wiedza o zależnościach przestrzennych (3-D) poprawia zdolność rozpoznania sceny (object unity and permanence).
ML i robotyka: problemy i wyzwania Robot może eksplorować środowisko aby zdobyć nową wiedzę.
ML i robotyka: problemy i wyzwania Robot może modyfikować środowisko aby zdobyć nową wiedzę.
Robotyka i AI: kierunki rozwoju Wyniki działania AI w robotyce muszą być przewidywalne. W niektórych zastosowaniach konieczna jest certyfikacja. Sposób działania i podejmowane decyzje powinny być zrozumiałe dla ludzi.
Robotyka i AI: kierunki rozwoju Uczenie w symulacji i problem reality gap. Uczenie na podstawie małej liczby przykładów.
Robotyka i AI: kierunki rozwoju Uczenie nienadzorowane (w praktycznych zastosowaniach). Uczenie na podstawie demonstracji (człowieka).
Zjazd PP-RAI, Poznań, 2018 DZIĘKUJĘ ZA UWAGĘ piotr.skrzypczynski@put.poznan.pl Laboratorium Robotów Mobilnych lrm.put.poznan.pl