機(jī)器人是如何使用數(shù)據(jù)來(lái)進(jìn)行訓(xùn)練的

　　布朗大學(xué)計(jì)算機(jī)科學(xué)助理教授斯特弗尼?特里克斯正在解決一個(gè)棘手的問(wèn)題：機(jī)器人的抓握能力。她建立了一個(gè)機(jī)器學(xué)習(xí)模型，使機(jī)器人能夠自動(dòng)學(xué)習(xí)操縱對(duì)象，并且能夠從中產(chǎn)生許多樣本數(shù)據(jù)，有了這些數(shù)據(jù)，其他研究人員可以用它來(lái)訓(xùn)練機(jī)器人的抓握能力。

　　一開(kāi)始，特里克斯言語(yǔ)之間就充滿(mǎn)著活力與激情，她慢慢陳述著在抓捏物體上，機(jī)器人所面臨的普遍問(wèn)題。

　　“大多數(shù)的機(jī)器人在大部分時(shí)間能夠抓取物體，但是這也是有一定前提條件的。如果你去到機(jī)器人實(shí)驗(yàn)室，并把一個(gè)陌生的從沒(méi)看到過(guò)的物體放在機(jī)器人面前，該機(jī)器人基本上是無(wú)法抓起這個(gè)東西的，因?yàn)樗?lsquo;思維’里沒(méi)有這個(gè)物體的信息，也沒(méi)有針對(duì)該物體做過(guò)訓(xùn)練。”

　　這真的是一個(gè)實(shí)際問(wèn)題，因?yàn)闄C(jī)器人要抓起這些物體，它們就必須明白具體的任務(wù)，以及從傳感器信息庫(kù)中知道關(guān)于該物體的相關(guān)信息。例如它的形狀，它所在的位置等等。而這些問(wèn)題也是機(jī)器人手臂必須被解答的問(wèn)題，通常還包括，要想抓起這些物體，那么機(jī)器人手臂應(yīng)該調(diào)整到什么位置才能夠準(zhǔn)確地抓起該物體呢?

　　研究人員對(duì)機(jī)器人進(jìn)行編程之后，它可以拿起特定的物體，這其中都是有一部分規(guī)律可循的，但是這些編程好的程序通常只能幫助機(jī)器人抓捏起一小部分的物體。目前，要想使得機(jī)器人能夠自主地抓起某些不熟悉的物體或者移動(dòng)它們，還是有很大難度的，有類(lèi)似能力的機(jī)器人還在開(kāi)發(fā)當(dāng)中。

　　而特里克斯所構(gòu)建的機(jī)器學(xué)習(xí)模型可以讓她的實(shí)驗(yàn)室機(jī)器人在錯(cuò)誤中進(jìn)行學(xué)習(xí)，經(jīng)過(guò)反復(fù)試驗(yàn)，直到它能成功地抓起物體。在嘗試和錯(cuò)誤的交替過(guò)程中，可以產(chǎn)生一系列的關(guān)于該物體的圖片信息庫(kù)，以及夾持器與物體之間也可以在磨合中更加熨帖。

　　機(jī)器人不斷練習(xí)所產(chǎn)生的附屬產(chǎn)品就是數(shù)據(jù)庫(kù)，它可以成為機(jī)器學(xué)習(xí)的樣本數(shù)據(jù)，用來(lái)訓(xùn)練其他機(jī)器人來(lái)抓捏同樣的物體。但在特里克斯實(shí)驗(yàn)室中，她的巴克斯特機(jī)器人卻不能夠產(chǎn)生足夠多的樣本數(shù)據(jù)。

　　為了解決這個(gè)問(wèn)題，特里克斯推出了一個(gè)“百萬(wàn)挑戰(zhàn)計(jì)劃”，她想要招募全世界的實(shí)驗(yàn)室，針對(duì)400臺(tái)巴克斯特機(jī)器人來(lái)進(jìn)行研究，讓這些閑置的機(jī)器人可以根據(jù)她所研發(fā)的機(jī)器學(xué)習(xí)模型來(lái)運(yùn)行，讓它們對(duì)上百萬(wàn)個(gè)物體進(jìn)行抓取實(shí)驗(yàn)，最終得到一份詳細(xì)的數(shù)據(jù)。

　　為什么樣本訓(xùn)練數(shù)據(jù)很重要

　　近年來(lái)，機(jī)器學(xué)習(xí)的應(yīng)用技術(shù)如自動(dòng)駕駛汽車(chē)以及圖像識(shí)別的應(yīng)用技術(shù)都得到了迅猛的發(fā)展，都是因?yàn)樵谶@些領(lǐng)域有大量的樣本數(shù)據(jù)可以用來(lái)訓(xùn)練這些機(jī)器學(xué)習(xí)模型。而機(jī)器人抓取能力的滯后，最主要原因在于樣本數(shù)據(jù)的缺少，從而無(wú)法訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

　　使用標(biāo)記的數(shù)據(jù)來(lái)訓(xùn)練機(jī)器學(xué)習(xí)模型最便于理解的例子就是圖像識(shí)別。圖像識(shí)別的精度已經(jīng)提高了90%。如此進(jìn)步可以歸因于機(jī)器學(xué)習(xí)的應(yīng)用以及龐大的樣本數(shù)據(jù)庫(kù)。數(shù)以百萬(wàn)計(jì)的標(biāo)記圖片集已經(jīng)在學(xué)術(shù)研究中被廣泛使用了，如谷歌，F(xiàn)acebook和其他在線(xiàn)圖像存儲(chǔ)器。

　　神經(jīng)網(wǎng)絡(luò)是如何工作的

　　神經(jīng)網(wǎng)絡(luò)是一個(gè)由幾個(gè)簡(jiǎn)單高度互連的處理元件組成的計(jì)算機(jī)系統(tǒng)，可以通過(guò)對(duì)外部輸入的動(dòng)態(tài)回應(yīng)來(lái)處理信息。它主要是通過(guò)處理大量的被標(biāo)記的數(shù)據(jù)，從而來(lái)獲得理解不同情形的能力。

　　一張鳥(niǎo)的圖像中，鳥(niǎo)是特定的鳥(niǎo)，在一張汽車(chē)圖像中，汽車(chē)也是特定的汽車(chē)。大量的圖像樣本可通過(guò)機(jī)器學(xué)習(xí)軟件來(lái)進(jìn)行處理，如Torch和Tensorflow，然后讓它在神經(jīng)網(wǎng)絡(luò)上運(yùn)行，就能夠?qū)ζ溥M(jìn)行訓(xùn)練來(lái)識(shí)別照片中的物體了。

　　在這種情況下，輸入的信息主要就是大量的被標(biāo)記的圖像，緊接著系統(tǒng)就能輸出關(guān)于該圖片的許多識(shí)別標(biāo)簽，例如所輸入的圖片到底有沒(méi)有汽車(chē)。而還有一個(gè)隱藏的部分就是整個(gè)處理過(guò)程，通常包含神經(jīng)元，以及根據(jù)算法而來(lái)的機(jī)器學(xué)習(xí)軟件處理程序，也可被稱(chēng)為該圖像的中間值。

　　緊接著系統(tǒng)會(huì)對(duì)這些樣本數(shù)據(jù)進(jìn)行重新處理，從而可以測(cè)試出該模型在推測(cè)圖片標(biāo)簽上的準(zhǔn)確性。然后再對(duì)結(jié)果進(jìn)行比對(duì)，如果有錯(cuò)誤就更正過(guò)來(lái)，并將其反饋到神經(jīng)網(wǎng)絡(luò)中，算法程序就可以根據(jù)所反饋的內(nèi)容做出相關(guān)判斷。這樣的糾錯(cuò)過(guò)程會(huì)如此往復(fù)直到出現(xiàn)正確的預(yù)測(cè)。

　　自動(dòng)駕駛汽車(chē)也是以同樣的方式來(lái)學(xué)習(xí)駕駛的。當(dāng)有人在駕駛某一輛特定的汽車(chē)時(shí)，可以將路面的情況，以及各個(gè)轉(zhuǎn)彎的角度用3D視頻的方式記錄下來(lái)，形成樣本數(shù)據(jù)庫(kù)。

　　該日志可以輸入到機(jī)器學(xué)習(xí)系統(tǒng)當(dāng)中，從而可以訓(xùn)練算法正確地將相關(guān)信息輸入到視頻中去。這個(gè)過(guò)程會(huì)重復(fù)進(jìn)行，直到調(diào)整到一個(gè)適用于車(chē)輛操作的駕駛模式。

　　用來(lái)訓(xùn)練圖像識(shí)別系統(tǒng)的樣本信息量是很巨大的。而自動(dòng)駕駛汽車(chē)有大量的數(shù)據(jù)集。谷歌研發(fā)的自動(dòng)駕駛汽車(chē)已經(jīng)行駛了一百萬(wàn)英里，特斯拉也行駛了近10億英里，有了這些數(shù)據(jù)，可以提供更全的駕駛經(jīng)驗(yàn)。而訓(xùn)練機(jī)器人的抓握能力時(shí)，卻沒(méi)有這些數(shù)據(jù)的支持。

　　“百萬(wàn)挑戰(zhàn)計(jì)劃”

　　如果特里克斯的“百萬(wàn)挑戰(zhàn)計(jì)劃”可以成功，將會(huì)獲得大量的數(shù)據(jù)，終將有一天可以讓機(jī)器人有更準(zhǔn)確的抓握能力。