迄今為止，大多數(shù)人工智能(AI)研究都集中在視覺方面。多虧了機器學習，尤其是深度學習，我們現(xiàn)在有了對周圍環(huán)境有很好的視覺理解的機器人和設備。但我們不要忘記，視覺只是人類的一種生物感官。為了更好地模擬人類智能的算法，研究人員現(xiàn)在將注意力集中在從感覺運動系統(tǒng)和觸覺反饋中獲取的數(shù)據(jù)集上。有了這種額外的感官，未來的機器人和人工智能設備將對它們的物理環(huán)境有更大的認識，從而打開新的用例和可能性。

　　人工智能系統(tǒng)

人工智能愛好者、技術(shù)專家、深度學習和神經(jīng)語言編程專家Somatic創(chuàng)始人賈森•托伊(Jason Toy)最近發(fā)起了一個項目，重點培訓人工智能系統(tǒng)，使其能夠基于觸覺輸入與環(huán)境互動。該項目名為SenseNet: 3D物體數(shù)據(jù)庫和觸覺模擬器，致力于將機器人對周圍環(huán)境的映射擴展到視覺之外，包括輪廓、紋理、形狀、硬度和觸覺物體識別。

Toy最初的目標是在感知運動系統(tǒng)和觸覺反饋方面創(chuàng)造一波人工智能研究浪潮。除此之外，他還設想，經(jīng)過人工訓練的機器人最終將被用于開發(fā)機器人手，用于工廠和配送中心，完成裝箱、零部件回收、訂單履行和分類等工作。其他可能的應用包括用于食品制備、家務和組件組裝的機械手。

　　機器人學和深度強化學習

SenseNet項目依賴于深度強化學習(deep reinforcement learning, RL)，這是機器學習的一個分支，它借鑒了有監(jiān)督和無監(jiān)督的學習技術(shù)，依賴于一種基于監(jiān)控交互的獎勵系統(tǒng)，以找到更好的方法迭代改進結(jié)果。

許多人認為，RL提供了一種開發(fā)自主機器人的途徑，這種機器人可以在最少的人類干預下掌握某些獨立行為。例如，對深度RL技術(shù)的初步評估表明，使用仿真技術(shù)開發(fā)靈巧的3D操作技能是可能的，而不必手工創(chuàng)建表示。

　　使用SENSENET數(shù)據(jù)集

SenseNET及其支持資源旨在克服許多共同的挑戰(zhàn)

研究人員在從事基于觸控的人工智能項目時面臨的問題。一個開源的形狀數(shù)據(jù)集，其中大部分可以3D打印，以及一個觸摸模擬器，讓人工智能研究人員加快項目工作。圖1顯示了SenseNET數(shù)據(jù)集中包含的一些形狀的示例。

圖1:SenseNet 3D對象的例子。

GitHub*上的SenseNet存儲庫提供了3D對象數(shù)據(jù)集之外的大量資源，包括培訓示例、分類測試、基準測試、Python*代碼示例等等。

通過添加一個模擬器，研究人員可以加載和操作這些對象，從而使數(shù)據(jù)集更加有用。Toy解釋說:“我們在子彈物理引擎上建立了一個層。Bullet是一個廣泛應用于游戲、電影以及最近的機器人和機器學習研究中的物理引擎。這是一個實時物理引擎，模擬軟硬體，碰撞檢測和重力。我們包括一個被稱為MPL的機械手，它可以在手指中進行全方位的運動，我們在食指尖端嵌入了一個觸摸傳感器，可以讓手模擬觸摸。圖2顯示了使用MPL支持的一些手勢。

圖2:SenseNet中可用的機器人手勢。

　　支持技術(shù)

為了加速訓練和測試許多強化學習算法玩具使用英特爾的強化學習教練-機器學習測試框架。在Python*環(huán)境中運行，強化學習教練允許開發(fā)人員建模代理和環(huán)境之間的交互，如圖3所示。

圖3:通過組合構(gòu)建塊來建模代理。

通過結(jié)合各種構(gòu)建模塊，提供可視化工具動態(tài)顯示訓練和測試結(jié)果，增強學習教練使訓練過程更加有效，并支持在多個環(huán)境下對代理進行測試。先進的可視化工具，基于在訓練序列中收集的數(shù)據(jù)，可以方便地通過Coach儀表板訪問，并用于調(diào)試和優(yōu)化被訓練的代理。

　　開發(fā)人員的機會

至于其他開發(fā)者的機會，Toy說:“不要害怕打破常規(guī)。深度學習的熱潮主要集中在卷積神經(jīng)網(wǎng)絡(CNNs)和計算機視覺領域，因為這兩個領域的學習成果最多。“其他未被探索的領域在人工智能方面提供了洞見，有時還會帶來突破，而這些不太受歡迎的領域可能會引領人們走向有希望的方向。”

最后，Toy說:“不要僅僅從數(shù)學和計算機科學的角度研究人工智能。看看其他領域，比如計算神經(jīng)科學和認知科學。”

【來源：千家網(wǎng)】