Ett system för att robotar ska kunna utföra ett naturligt språk effektivt

Drömmer du om en framtid där robotar används för en mängd olika aktiviteter så att vi inte behöver göra dem själva?

Kom igen, tänk på det! Rengöring, matlagning, alla våra sysslor är bara några av de underbara möjligheterna. Vilken underbar möjlighet rätt? Tyvärr måste du för närvarande fortsätta att drömma.

Även om det finns några fantastiska robotar som finns där ute, är robotar ännu inte anpassningsbara för att genomföra ett brett utbud av aktiviteter som detta effektivt. Även om taligenkänningstekniken har utvecklats med höga språng är den fortfarande inte tillräckligt bra för användning med robotar.

Det bästa alternativet för att få något som en hypotetisk robotbutler att följa dina instruktioner skulle vara att skriva instruktionsuppsättningen.

Talade kommandon

Problemet med talade kommandon är att de innehåller olika komplexitet, även om det kanske inte alltid är tydligt.

Föreställ dig att berätta för din robot, "Hämta den rutan där borta." Det verkar enkelt nog men det är ett problem. Din robot kommer att behöva dela upp detta i ett antal steg innan du avslutar åtgärden. Ett möjligt scenario för att utföra detta kommando är:

• Slå på spårningssystemet
• Slå på gångmotorer
• Byt riktning
• Ta nödvändiga steg
• Vrid lemmarna
• Clench box
• Lyftlåda

Som ni ser är detta faktiskt mer komplex än det först verkade vara. Föreställ dig nu det kommandot jämfört med något liknande, "Slå på ditt spårningssystem." Även om antalet ord som används för att ge dessa två kommandon är lika, är deras nivåer av komplexitet världar isär.

Hur kan vi lösa detta? Som det nu står kommer robotar att ha problem med att räkna ut olika nivåer av komplexitet i talade kommandon.

Rädsla inte, ett team vid Brown University har utvecklat ett system som förbättrar hur robotar hanterar talade kommandon.

Hur du gör dina robotar följer dina beställningar: Ett system för att göra det möjligt för robotar att utföra talade kommandon effektivt

Forskarna på Brown använde de data de fick för att träna sitt system för att förstå olika nivåer av komplexitet. Systemet kunde då samla in vilka åtgärder som behövs för att förstå och förstå nivåerna av komplexitet förknippad med olika meningsstrukturer.

Teamet vid Brown University beslutade att ta itu med problemet med att få robotar att utföra talade kommandon med ett genialt system. De använde både Amazons Mechanical Turk och ett verktyg som heter Virtual Cleanup World för att utveckla sin modell.

Mekanisk Turk är en marknad för arbete som kräver intelligens hos människor. Även om konstgjord intelligens gör några imponerande feats, det finns många uppgifter som människor kan utföra mer effektivt, såsom att identifiera objekt i en videoThe virtual Cleanup World är en virtuell uppgiftsdomän. Den består av färgkodade rum, en virtuell robot och ett objekt för roboten att utföra uppgifter med.

Volontärer på Mechanical Turk räknade ut vilka instruktionsuppsättningar som ledde till särskilda åtgärder i Cleanup-världen. Först observerade de roboten när den utförde en mängd olika uppgifter.

De frågades sedan vilka instruktionsuppsättningar de trodde skulle fungera bättre. De frivilliga uppmanades att skapa kommandon på hög nivå, medelnivå och låg nivå.

Kommandon på hög nivå var sådana som att instruera roboten att bära en stol till ett rum i en viss färg. Kommandon på låg nivå var kommandon uppdelade i flera steg. Kommandon på mellannivå kombinerade funktionerna för hög- och lågnivåkommandon.

Forskarna på Brown använde de data de fick för att träna sitt system för att förstå olika nivåer av komplexitet. Systemet kunde då samla in vilka åtgärder som behövs för att förstå och förstå nivåerna av komplexitet förknippad med olika meningsstrukturer.

Testa systemet

När robotarna kunde räkna ut det önskade slutresultatet, samt förstå graden av komplexitet i uppgifterna, slutförde de uppgiften på bara 1 sekund 90 procent av tiden.

Baserat på detta kunde den utforma en lämplig plan baserad på de talade kommandona som den gavs. Efter att ha utbildat sitt system var det dags att testa frukterna av deras arbete. Forskning använde Cleanup World återigen såväl som en riktig robot som fungerar i ett fysiskt utrymme upprättat på samma sätt som den virtuella Cleanup World.

När robotarna kunde räkna ut det önskade slutresultatet, samt förstå graden av komplexitet i uppgifterna, slutförde de uppgiften på bara 1 sekund 90 procent av tiden.

Men när det fanns en uppdelning i förståelsen av komplexiteten, tog slutförandet av uppgiften längre tid. I det här fallet krävde robotarna 20 eller fler sekunder av planering för att slutföra en uppgift.

Forskarna kommer att behöva hitta sätt att minimera dessa fördelningar för att skapa ett mer effektivt system.

Slutgiltiga tankar

Roboter har fortfarande ett riktigt sätt att gå innan de är mainstream. Men detta arbete leder oss närmare att ha robotar som lätt kan förstå de kommandon vi skickar till dem. Tills dess, tvätta dina egna diskar.