Разработка получила название SemExp. Она использует машинное обучение, чтобы робот мог различать объекты и предполагать, в какой части дома они, скорее всего, находятся. Это позволяет ему стратегически мыслить и выбирать наиболее здравые варианты.
Модель робота, оснащенного системой навигации SemExp / © Университет Карнеги — Меллона
SemExp была представлена группой из Университета Карнеги — Меллона в США и отделом исследования искусственного интеллекта Facebook (FAIR) на конкурсе Habitat ObjectNav Challenge, во время конференции Virtual Computer Vision and Pattern Recognition Conference. В ее основе лежит концепция «здравого смысла», как ее называют авторы.
Ее суть состоит в следующем: робот, путешествующий из точки А в точку Б, более эффективен, если он понимает, что первая — это диван в гостиной, а вторая — холодильник, даже если он находится в незнакомом месте, и оценивает, где точка Б может быть с наибольшей вероятностью.
«Здравый смысл подсказывает, что если вы ищете холодильник, вам лучше пойти на кухню, — говорит Девендра. Чаплот, аспирант кафедры машинного обучения Университета Карнеги — Меллона и один из авторов исследования. — Классические роботизированные навигационные системы, напротив, исследуют пространство, создавая карту с указанием препятствий. Робот в конце концов добирается туда, куда ему нужно, но маршрут оказывается слишком длинным».
Предыдущие навигационные системы, основанные на искусственном интеллекте, учили роботов запоминать объект и его конкретное расположение в пространстве. Если объект перемещали, робот продолжал искать его на старом месте, пока не привыкнет к новой обстановке. Более того, у такой системы возникали проблемы при обобщении и систематизации информации из разных помещений.
Группа разработчиков решила эти трудности, сделав SemExp модульной. Алгоритм использует смысловую концепцию мышления (то есть возможность смыслообразования и целеобразования), чтобы определить лучшее место для поиска предмета. «Как только вы решите, куда идти, вы можете спланировать оптимальный маршрут, чтобы быстрее туда добраться», — заявляет Чаплот.
Модулный подход эффективнее по нескольким причинам. В первую очередь в процессе обучения машины можно сосредоточиться на планировке помещения, ее связи с объектами и связи объектов друг с другом, а не на формировании маршрутов и составлении полной карты пространства. Благодаря определенному типу мышления робот строит разные стратегии поиска нужного предмета и выбирает лучшую. Наконец, система навигационного планирования позволяет ему добраться до цели максимально быстро.
В будущем разработку можно будет использовать в производстве роботов-помощников. Авторы считают, что семантическая навигация в итоге облегчит людям взаимодействие с машинами, позволив просто сказать, чтобы робот перенес предмет в определенное место, или давать конкретные указания, например отправить его в комнату.
