ミシガン州の研究は、ロボットの家庭用オブジェクトの関係を教えています
研究の目的は、ロボットが複雑な環境でターゲットオブジェクトを積極的に検索できるようにする実用的な方法を提供することです。
未来派が夢見ていたロボットに満ちた未来には生きられないかもしれませんが、近づいています。内部に仮想アシスタントを備えたスピーカーとロボット掃除機はどちらも一般的であり、今後10年間でさらに多くの家庭侵入ボットが予想されます。
開発者が現在直面しているハードルの1つは、ロボットに家の中を移動する方法を教えることです。そのために、ミシガン大学の研究チームは、家庭用オブジェクト間の関係についてロボットを訓練する新しいモデルを公開しました。
たとえば、2階のバスケットから洗濯物を取り出し、それを洗濯機に移動するようにロボットを割り当てることができます。このモデルを使用すると、バスケットと機械の両方がどこにあるかを理解するようにトレーニングできるため、ロボットを手動で移動する必要がなくなります。
「サービスロボットが自律的にタスクを実行するには、環境内のオブジェクトを効率的に検索できることが重要です」と、この研究の共著者であるZhenZeng氏は述べています。 。」
SLiM（Semantic Linking Maps）と呼ばれるこのモデルは、冷蔵庫などのランドマークオブジェクトを、オレンジジュースのカートンやマヨネーズなどの他の関連オブジェクトに関連付けます。それから、arobotがテーブルを掃除するように頼まれた場合、冷蔵庫のアイテムを元の場所に戻すことがわかります。
研究者は、SLiMは不確実性を説明していると述べました。たとえば、洗濯かごを移動した場合、新しい場所を見つけるのに時間がかかる可能性はありますが、機能が停止することはありません。
このアクティブな地理的位置とオブジェクト間の関係の更新により、ロボットの長期的なパフォーマンスが向上するはずです。そうしないと、環境の変化によって絶えずシャットダウンする可能性があります。
ルンバは家庭用ロボットの面で分水嶺の瞬間であり、その後に発売されたロボットのほとんどは、そのデザインと機能をコピーしています。ただし、ミシガンチームによって提示されたロボットははるかに洗練されており、オブジェクトを拾い上げてタスクを実行することができます。
このような研究では間違いなくパイプラインにあることが示されていますが、私たちはまだこれらのタイプのロボットから数年離れています。
モノのインターネットテクノロジー