深度学习与机器人之间的关系浅析

迄今为止，大多数人工智能（AI）研究都集中在视觉方面。多亏了机器学习，尤其是深度学习，我们现在有了对周围环境有很好的视觉理解的机器人和设备。但我们不要忘记，视觉只是人类的一种生物感官。为了更好地模拟人类智能的算法，研究人员现在将注意力集中在从感觉运动系统和触觉反馈中获取的数据集上。有了这种额外的感官，未来的机器人和人工智能设备将对它们的物理环境有更大的认识，从而打开新的用例和可能性。

人工智能系统

人工智能爱好者、技术专家、深度学习和神经语言编程专家Somatic创始人贾森？托伊（Jason Toy）最近发起了一个项目，重点培训人工智能系统，使其能够基于触觉输入与环境互动。该项目名为SenseNet： 3D物体数据库和触觉模拟器，致力于将机器人对周围环境的映射扩展到视觉之外，包括轮廓、纹理、形状、硬度和触觉物体识别。

Toy最初的目标是在感知运动系统和触觉反馈方面创造一波人工智能研究浪潮。除此之外，他还设想，经过人工训练的机器人最终将被用于开发机器人手，用于工厂和配送中心，完成装箱、零部件回收、订单履行和分类等工作。其他可能的应用包括用于食品制备、家务和组件组装的机械手。

机器人学和深度强化学习

SenseNet项目依赖于深度强化学习（deep reinforcement learning， RL），这是机器学习的一个分支，它借鉴了有监督和无监督的学习技术，依赖于一种基于监控交互的奖励系统，以找到更好的方法迭代改进结果。

许多人认为，RL提供了一种开发自主机器人的途径，这种机器人可以在最少的人类干预下掌握某些独立行为。例如，对深度RL技术的初步评估表明，使用仿真技术开发灵巧的3D操作技能是可能的，而不必手工创建表示。

使用SENSENET数据集

SenseNET及其支持资源旨在克服许多共同的挑战

研究人员在从事基于触控的人工智能项目时面临的问题。一个开源的形状数据集，其中大部分可以3D打印，以及一个触摸模拟器，让人工智能研究人员加快项目工作。图1显示了SenseNET数据集中包含的一些形状的示例。

图1：SenseNet 3D对象的例子。

GitHub＊上的SenseNet存储库提供了3D对象数据集之外的大量资源，包括培训示例、分类测试、基准测试、Python＊代码示例等等。

通过添加一个模拟器，研究人员可以加载和操作这些对象，从而使数据集更加有用。Toy解释说：“我们在子弹物理引擎上建立了一个层。Bullet是一个广泛应用于游戏、电影以及最近的机器人和机器学习研究中的物理引擎。这是一个实时物理引擎，模拟软硬体，碰撞检测和重力。我们包括一个被称为MPL的机械手，它可以在手指中进行全方位的运动，我们在食指尖端嵌入了一个触摸传感器，可以让手模拟触摸。图2显示了使用MPL支持的一些手势。

图2：SenseNet中可用的机器人手势。

支持技术

为了加速训练和测试许多强化学习算法玩具使用英特尔的强化学习教练－机器学习测试框架。在Python＊环境中运行，强化学习教练允许开发人员建模代理和环境之间的交互，如图3所示。

图3：通过组合构建块来建模代理。

通过结合各种构建模块，提供可视化工具动态显示训练和测试结果，增强学习教练使训练过程更加有效，并支持在多个环境下对代理进行测试。先进的可视化工具，基于在训练序列中收集的数据，可以方便地通过Coach仪表板访问，并用于调试和优化被训练的代理。

开发人员的机会

至于其他开发者的机会，Toy说：“不要害怕打破常规。深度学习的热潮主要集中在卷积神经网络（CNNs）和计算机视觉领域，因为这两个领域的学习成果最多。“其他未被探索的领域在人工智能方面提供了洞见，有时还会带来突破，而这些不太受欢迎的领域可能会引领人们走向有希望的方向。”

最后，Toy说：“不要仅仅从数学和计算机科学的角度研究人工智能。看看其他领域，比如计算神经科学和认知科学。”