Приспособяват роботите за изпълнение на домашни задачи 

Специалисти от Масачузетския технологичен институт (MIT) създадоха система за навигация и планиране на задачи за домашни роботи. Платформата PIGINet (Plans, Images, Goal, Initial Facts), разработена от инженери на Лабораторията за компютърни науки и изкуствен интелект (CSAIL), се основава на универсален енкодер-трансформатор. 

Домовете на хората изглеждат доста сложна среда за робота. Машините са по-добре ориентирани в складове и производствени цехове, които са по-лесни за навигация, тъй като имат стриктна организация на пространството.

За успешно изпълнение на задачите повечето роботи се нуждаят от етажен план. Ситуацията се усложнява от факта, че жилищата могат да се различават значително едно от друго, а интериорът в тях също е динамичен – хората обичат да пренареждат мебели и да разхвърлят вещи.

Най-често срещаните домакински роботи са прахосмукачките, но дори и те, след като се използват от десетилетия, продължават да изпитват затруднения с особеностите на жилищата и затова производителите им се стремят непрекъснато да ги подобряват.

[related-posts]

Платформата PIGINet, която се основава на универсален енкодер-трансформатор, предназначен да обработва поредици от данни, обещава да помогне за решаването на проблема.

„Входната последователност в този случай е информация за това кой план на задачата се разглежда, изображения на околната среда, кодиране на знаци на първоначалното състояние и желаната цел. Кодерът комбинира планове на задачи, изображения и текст, за да направи прогноза за осъществимостта на избрания план на задачите“, обясняват авторите на проекта, цитирани от TechCrunch.

В настоящата си версия системата е ориентирана предимно за работа в кухнята. Тя симулира работната среда и създава планове на обекти, включително стелажи, шкафове, хладилник, мивки и др. Разработчиците твърдят, в повечето случаи системата може да намали времето за планиране на задачите с 80%, а в по-сложните случаи с 20-50%.

В бъдеще, според създателите на PIGINet, когато идентифицира невъзможни задачи, системата трябва да се научи да предлага алтернативни сценарии – това коренно ще промени процеса на обучение на роботи и механизмите за използването им във всеки дом.