Kindred được phân chia giữa trụ sở chính tại Vancouver, một bộ phận học máy tại Toronto, và phòng thí nghiệm robot ở San Francisco.
Đào tạo robot để thực hiện các nhiệm vụ đơn giản với cái gọi là học tập sâu đã đáp ứng với thành công hạn chế, nhưng một startuo tại San Francisco đã cung cấp một tia hy vọng cho công việc trong tương lai.
Kindred, một công ty khởi nghiệp ba năm, đã đưa ra một bài nghiên cứu trình bày tại Hội nghị lần thứ 2 về Robot Learning ở Zürich, Thụy Sĩ.
Điểm thu hút của bài báo là các nhà robot cần thiết lập một số tiêu chuẩn cơ bản về cách học máy, và đặc biệt là học sâu, thực hiện trước khi tiến bộ thực tế có thể được thực hiện.
Báo cáo không chứng minh việc máy học có thể dạy cho một robot di chuyển; thay vào đó, nó cho thấy có nhiều cách để xác định một cách có hệ thống những thách thức để làm như vậy, làm cơ sở cho công việc trong tương lai.
Trong báo cáo, 'Thuật toán học tập tăng cường điểm chuẩn trên robot thực tế', được đăng trên arXiv vào ngày 20 tháng 9, các tác giả, A. Rupam Mahmood, Dmytro Korenkevych, Gautham Vasan, William Ma và James Bergstra, đã lấy ba robot thương mại và điều khiển chúng di chuyển trong không gian đến một vị trí mục tiêu.
Tăng cường học tập, một hình thức của mạng lưới thần kinh nhân tạo trong đó hệ thống cải thiện chức năng lỗi vì nó được đưa ra một 'phần thưởng', được sử dụng trong bốn hương vị khác nhau. Vấn đề là để xem làm thế nào ba robot đã làm với bốn thuật toán khác nhau trên nhiều phiên bản của các xét nghiệm cơ bản của chức năng vận động.
Theo các tác giả lưu ý, các nghiên cứu cho đến nay hầu hết đã mô phỏng các rô bốt bên trong một chương trình phần mềm, họ đã không thử nghiệm chuyển động robot thực sự. Ví dụ, nghiên cứu A 2016 của Duan và các cộng sự tại Đại học California tại khoa kỹ thuật điện và khoa học máy tính của Berkeley đã tìm cách thiết lập điểm chuẩn cho việc học sâu như mô phỏng bởi các máy tự động tạo ra máy tính di chuyển trong một môi trường trò chơi điện tử.
Một phát hiện quan trọng là việc học tập sâu thẳm đằng sau việc đào tạo robot theo cách thông thường, với các kịch bản. 'Nhìn chung, các giải pháp RL đã vượt trội so với các giải pháp kịch bản, bởi một lợi nhuận lớn trong một số nhiệm vụ, nơi các giải pháp như vậy được thiết lập tốt hoặc dễ dàng để viết kịch bản.'
Và báo cáo lưu ý rằng 'siêu tham số', các biến của mô hình học máy đang được sử dụng, phải được điều chỉnh rất, rất cẩn thận. Trong thực tế, các mô hình học tập sâu không thể thực hiện được nhiều thứ mà không cần một số công việc đáng kể tinh chỉnh các biến này.
Theo các tác giả, 'một cấu hình tốt [của siêu tham số] dựa trên một nhiệm vụ vẫn có thể cung cấp một hiệu suất cơ sở tốt cho nhau.' Do đó, họ kết luận rằng phong cách tăng cường học tập sâu là 'khả thi' cho nghiên cứu 'dựa trên các thí nghiệm thực tế' với robot.
