José Altuve de los Astros de Houston sube al plato en un conteo de 3-2, estudia al lanzador y la situación, obtiene el visto bueno desde la tercera base, rastrea el lanzamiento de la pelota, balancea ... y consigue un sencillo arribaen el medio. Solo otro viaje al plato para el tres veces campeón de bateo de la Liga Americana.
¿Podría un robot recibir un golpe en la misma situación? No es probable.
Altuve ha perfeccionado reflejos naturales, años de experiencia, conocimiento de las tendencias del lanzador y comprensión de las trayectorias de varios lanzamientos. Lo que ve, oye y siente se combina a la perfección con su memoria cerebral y muscular para sincronizar el swing que produceEl robot, por otro lado, necesita usar un sistema de enlace para coordinar lentamente los datos de sus sensores con sus capacidades motoras. Y no puede recordar nada. ¡Strike tres!
Pero puede haber esperanza para el robot. Un artículo de investigadores de la Universidad de Maryland recién publicado en la revista Ciencia robótica introduce una nueva forma de combinar la percepción y los comandos motores utilizando la llamada teoría de la computación hiperdimensional, que podría alterar y mejorar fundamentalmente la tarea básica de inteligencia artificial IA de representación sensoriomotora: cómo agentes como los robots traducen lo que sienten en quéellas hacen.
"Aprendizaje del control sensoriomotor con sensores neuromórficos: hacia la percepción activa hiperdimensional" fue escrito por los estudiantes de doctorado en ciencias de la computación Anton Mitrokhin y Peter Sutor, Jr .; Cornelia Fermüller, investigadora científica asociada del Instituto de Computación Avanzada de la Universidad de MarylandEstudios; y el profesor de Ciencias de la Computación Yiannis Aloimonos. Mitrokhin y Sutor son asesorados por Aloimonos.
La integración es el desafío más importante que enfrenta el campo de la robótica. Los sensores de un robot y los actuadores que lo mueven son sistemas separados, unidos entre sí por un mecanismo de aprendizaje central que infiere una acción necesaria dados los datos del sensor, o viceversa.
El engorroso sistema de inteligencia artificial de tres partes, cada parte hablando su propio idioma, es una forma lenta de hacer que los robots realicen tareas sensoriomotoras. El siguiente paso en robótica será integrar las percepciones de un robot con sus capacidades motoras. Esta fusión, conocida como "percepción activa", proporcionaría una forma más eficiente y rápida para que el robot complete las tareas.
En la nueva teoría informática de los autores, el sistema operativo de un robot se basaría en vectores binarios hiperdimensionales VHB, que existen en un espacio escaso y de dimensiones extremadamente altas. Los VHB pueden representar cosas discretas dispares, por ejemplo, una solaimagen, un concepto, un sonido o una instrucción; secuencias formadas por cosas discretas; y agrupaciones de cosas y secuencias discretas. Pueden dar cuenta de todos estos tipos de información de una manera construida de manera significativa, uniendo cada modalidad en vectores largos de 1sy ceros con igual dimensión. En este sistema, las posibilidades de acción, la entrada sensorial y otra información ocupan el mismo espacio, están en el mismo lenguaje y se fusionan, creando una especie de memoria para el robot.
El Ciencia robótica el papel marca la primera vez que la percepción y la acción se integran.
Un marco hiperdimensional puede convertir cualquier secuencia de "instantes" en nuevos VHB y agrupar los VHB existentes, todos en la misma longitud de vector. Esta es una forma natural de crear "recuerdos" informados y semánticamente significativos. La codificación de más ymás información, a su vez, conduce a vectores de "historia" y la capacidad de recordar. Las señales se convierten en vectores, la indexación se traduce en memoria y el aprendizaje ocurre a través de la agrupación.
Los recuerdos del robot de lo que ha sentido y hecho en el pasado podrían llevarlo a esperar una percepción futura e influir en sus acciones futuras. Esta percepción activa permitiría al robot volverse más autónomo y más capaz de completar tareas.
"Un perceptor activo sabe por qué desea sentir, luego elige qué percibir y determina cómo, cuándo y dónde lograr la percepción", dice Aloimonos. "Selecciona y se fija en escenas, momentos en el tiempo y episodios.Luego, alinea sus mecanismos, sensores y otros componentes para actuar sobre lo que quiere ver y selecciona puntos de vista desde los cuales captar mejor lo que pretende ".
"Nuestro marco hiperdimensional puede abordar cada uno de estos objetivos".
Las aplicaciones de la investigación de Maryland podrían extenderse mucho más allá de la robótica. El objetivo final es poder hacer la IA en sí misma de una manera fundamentalmente diferente: desde los conceptos hasta las señales y el lenguaje. La computación hiperdimensional podría proporcionar un modelo alternativo más rápido y más eficiente almétodos iterativos de inteligencia artificial de aprendizaje profundo y redes neuronales que se utilizan actualmente en aplicaciones informáticas como la minería de datos, el reconocimiento visual y la traducción de imágenes a texto.
"Los métodos de IA basados en redes neuronales son grandes y lentos, porque no son capaces de recordar", dice Mitrokhin. "Nuestro método de teoría hiperdimensional puede crear memorias, lo que requerirá mucho menos cálculo, y debería hacer que tales tareas sean mucho más rápidasy más eficiente. "
Fuente de la historia :
Materiales proporcionado por Universidad de Maryland . Nota: el contenido se puede editar por estilo y longitud.
cite esta página :