Многие ли из нас предвидели появление интеллектуальных роботов, помогающих нам в решении повседневных домашних задач? У всех людей во многом разные привычки и предпочтения, когда дело доходит до таких задач, как уборка или укладка вещей по коробкам и полкам. Кроме того, каждая среда уникальна в отношении количества предметов и емкостей, с которыми придется столкнуться роботу.
Эти факторы усложняют задачи для специалистов по программированию таких роботов, которые должны справляться со всеми потенциальными ситуациями и приспосабливаться к различным пользователям. Для решения этой проблемы исследователи из университетов Фрайбурга и Бонна разработали технологию, которая позволит сервисным роботам прогнозировать личные предпочтения своих пользователей.
Работа основана на «совместной фильтрации» – одном из методов прогнозирования. Эта система интеллектуального анализа широко используется такими рекомендательными сервисами, как Amazon или Netflix для предоставления персональных рекомендаций. Например, интернет-магазин может использовать информацию о том, что ранее приобретал покупатель, для прогнозирования покупаемых в последующем товаров.
По аналогии, эта работа нацелена на прогнозирование пользовательских предпочтений при размещении вещей (например, продовольственные товары, игрушки, книги и т. д.) в контейнеры (например, полки и ящики), со временем узнавая привычки разных пользователей. Наблюдая, как пользователь уже распределил свои вещи в окружающей среде, робот может предсказать лучший способ размещения других вещей, не спрашивая постоянно об этом у хозяина.
Чтобы обучить свою систему, исследователи собрали данные от более 1200 участников сетевого опроса. Каждый участник ответил на вопросы о своих привычках совместного хранения различных типов объектов (например, сахар и перец) в одном контейнере. Используя такие данные, этот подход обнаруживает скрытые закономерности в пользовательских предпочтениях по отношению к группировке пар объектов. Соответственно, робот может затем предсказать лучший способ организовать объекты для нового пользователя, основываясь на частичном знании его предпочтений. При сортировке объектов этот метод также учитывает имеющееся количество контейнеров вокруг. На видео объясняется основная идея работы и иллюстрируется метод, используемый роботом PR2.
Кроме того, данный подход способен использовать полученную из интернета информацию, чтобы помочь роботу в случае, если он обнаруживает неизученные пока объекты. Идея заключается в использовании семантической иерархии объектов, получаемых из интернет-магазинов, из чего робот может выявить сходство между объектами. Комбинируя данные из различных онлайновых источников вместе с советами, робот может узнать, например, как порошок для кекса смешать с мукой, так как оба объекта, как правило, находятся в разделе о выпечке в интернет-магазинах. Это сделано таким образом, что дополняет выше рассмотренный метод совместной фильтрации предпочтениями конкретного пользователя в данном вопросе.
Наконец, сущность этого подхода совместной фильтрации позволяет роботам, изучая пользователей, со временем повысить эффективность своих прогнозов. С другими данными в системе (например, восприятие различных сцен), роботы будут становиться совершеннее при изучении моделей уборки, обнаружив для себя типовые решения, распределяемые между пользователями. Это обеспечит будущим роботам приспособляемость к специфическим задачам, находясь в уникальных условиях. Данная концепция представлена в видео, которое показывает, как расстановка, предсказанная роботом, меняется в зависимости от воспринимаемой им ситуации.
Комментарии
(0) Добавить комментарий