ระบบสำหรับให้หุ่นยนต์สามารถใช้ภาษาธรรมชาติได้อย่างมีประสิทธิภาพ

คุณใฝ่ฝันถึงอนาคตที่หุ่นยนต์ถูกนำมาใช้เพื่อกิจกรรมที่หลากหลายเพื่อที่เราจะได้ไม่ต้องทำมันด้วยตัวเอง?

ลองคิดดูสิ! การทำความสะอาดการปรุงอาหารการทำเหลือเกินทั้งหมดของเราเป็นเพียงความเป็นไปได้ที่น่าอัศจรรย์ มีความเป็นไปได้ที่ยอดเยี่ยมใช่ไหม? น่าเสียดายที่ตอนนี้คุณจะต้องฝันต่อไป

แม้ว่าจะมีหุ่นยนต์ที่น่าทึ่งอยู่บ้าง แต่หุ่นยนต์ยังไม่สามารถปรับตัวให้เข้ากับกิจกรรมได้อย่างมีประสิทธิภาพ ยิ่งไปกว่านั้นแม้ว่าเทคโนโลยีรู้จำเสียงพูดจะก้าวล้ำไปแล้ว แต่ก็ยังไม่ดีพอสำหรับการใช้งานกับ Robots

ทางออกที่ดีที่สุดของคุณในการรับหุ่นยนต์บัตเลอร์สมมุติตามคำแนะนำของคุณคือการพิมพ์ชุดคำสั่ง

คำสั่งการพูด

ปัญหาของคำสั่งพูดคือพวกมันมีระดับความซับซ้อนที่แตกต่างกันถึงแม้ว่าสิ่งนี้อาจไม่ชัดเจน

ลองนึกภาพบอกหุ่นยนต์ของคุณ“ หยิบกล่องนั่นตรงนั้น” มันดูง่ายพอ แต่มีปัญหา หุ่นยนต์ของคุณจะต้องแบ่งออกเป็นหลายขั้นตอนก่อนดำเนินการ สถานการณ์ที่เป็นไปได้สำหรับการดำเนินการคำสั่งนี้คือ:

• เปิดระบบติดตาม
• เปิดมอเตอร์เดิน
• เปลี่ยนทิศทาง
• ทำตามขั้นตอนที่จำเป็น
• หมุนแขนขา
• กล่องกำเริบ
• ยกกล่อง

อย่างที่คุณเห็นนี่มันซับซ้อนกว่าที่ปรากฏเป็นครั้งแรก ทีนี้ลองจินตนาการว่าคำสั่งนั้นเทียบกับสิ่งที่คล้ายกัน“ เปิดระบบติดตามของคุณ” แม้ว่าจำนวนคำที่ใช้ในการให้คำสั่งทั้งสองนี้จะคล้ายกัน แต่ระดับความซับซ้อนของพวกมันก็แยกกัน

เราจะแก้ปัญหานี้อย่างไร หุ่นยนต์จะมีปัญหาในการหาระดับความซับซ้อนต่าง ๆ ของคำสั่งที่พูด

อย่ากลัวเลยทีมของ Brown University ได้พัฒนาระบบที่ปรับปรุงวิธีที่โรบอตจัดการกับคำสั่งการพูด

วิธีการทำให้หุ่นยนต์ของคุณปฏิบัติตามคำสั่งซื้อของคุณ: ระบบสำหรับการเปิดใช้งานหุ่นยนต์เพื่อดำเนินการคำสั่งการพูดอย่างมีประสิทธิภาพ

นักวิจัยที่ Brown ใช้ข้อมูลที่ได้รับในการฝึกอบรมระบบเพื่อทำความเข้าใจกับระดับความซับซ้อนที่แตกต่างกัน จากนั้นระบบจะสามารถรวบรวมสิ่งที่ต้องดำเนินการและเข้าใจระดับความซับซ้อนที่เกี่ยวข้องกับโครงสร้างประโยคที่แตกต่างกัน

ทีมที่มหาวิทยาลัยบราวน์ตัดสินใจที่จะจัดการกับปัญหาในการทำให้หุ่นยนต์ดำเนินการคำสั่งพูดด้วยการใช้ระบบอันชาญฉลาด พวกเขาใช้ทั้ง Mechanical Turk ของ Amazon และเครื่องมือที่เรียกว่า Virtual Cleanup World เพื่อพัฒนาแบบจำลองของพวกเขา

Mechanical Turk เป็นตลาดสำหรับงานที่ต้องใช้ความฉลาดของมนุษย์ ถึงแม้ว่าปัญญาประดิษฐ์นั้นจะสร้างความประทับใจที่น่าประทับใจ แต่ก็มีงานหลายอย่างที่มนุษย์สามารถทำได้อย่างมีประสิทธิภาพมากขึ้นเช่นการระบุวัตถุในวิดีโอ Virtual Cleanup World เป็นโดเมนงานเสมือน ประกอบด้วยห้องที่มีรหัสสีหุ่นยนต์เสมือนจริงและวัตถุสำหรับหุ่นยนต์ในการทำงาน

อาสาสมัครที่เครื่องกลเติร์กคิดว่าชุดคำสั่งใดนำไปสู่การกระทำเฉพาะในโลกการล้างข้อมูล อย่างแรกพวกเขาสังเกตหุ่นยนต์ขณะทำงานหลายอย่าง

พวกเขาถูกถามว่าชุดการสอนใดที่พวกเขาคิดว่าจะทำงานได้ดีขึ้น อาสาสมัครถูกขอให้สร้างคำสั่งระดับสูงระดับกลางและระดับต่ำ

คำสั่งระดับสูงคือคำสั่งเช่นหุ่นยนต์ที่จะนำเก้าอี้ไปที่ห้องที่มีสีเฉพาะ คำสั่งระดับต่ำคำสั่งแบ่งออกเป็นหลายขั้นตอน คำสั่งระดับกลางรวมคุณลักษณะของคำสั่งระดับสูงและระดับต่ำเข้าด้วยกัน

นักวิจัยที่ Brown ใช้ข้อมูลที่ได้รับในการฝึกอบรมระบบเพื่อทำความเข้าใจกับระดับความซับซ้อนที่แตกต่างกัน จากนั้นระบบจะสามารถรวบรวมสิ่งที่ต้องดำเนินการและเข้าใจระดับความซับซ้อนที่เกี่ยวข้องกับโครงสร้างประโยคที่แตกต่างกัน

การนำระบบไปสู่การทดสอบ

เมื่อหุ่นยนต์สามารถเข้าใจผลลัพธ์ที่ต้องการและเข้าใจถึงระดับของความซับซ้อนของงานพวกเขาก็ทำงานให้เสร็จในเวลาเพียง 1 วินาที 90 เปอร์เซ็นต์ของเวลา

จากสิ่งนี้มันสามารถคิดแผนการที่เหมาะสมโดยยึดตามคำสั่งที่พูดออกมา หลังจากฝึกอบรมระบบของพวกเขาแล้วก็ถึงเวลาทดสอบผลของแรงงาน การวิจัยใช้ประโยชน์จาก Cleanup World อีกครั้งรวมถึงหุ่นยนต์จริงที่ทำงานในพื้นที่จริงที่ตั้งค่าคล้ายกับโลกเสมือนจริง Cleanup

เมื่อหุ่นยนต์สามารถเข้าใจผลลัพธ์ที่ต้องการและเข้าใจถึงระดับของความซับซ้อนของงานพวกเขาก็ทำงานให้เสร็จในเวลาเพียง 1 วินาที 90 เปอร์เซ็นต์ของเวลา

อย่างไรก็ตามเมื่อมีการวิเคราะห์ความเข้าใจในระดับของความซับซ้อนการทำงานให้เสร็จจะใช้เวลานานกว่า ในกรณีนี้หุ่นยนต์ต้องใช้เวลาวางแผนอย่างน้อย 20 วินาทีเพื่อให้งานสำเร็จ

นักวิจัยจะต้องค้นหาวิธีในการลดความผิดพลาดเหล่านี้ให้น้อยที่สุดเพื่อสร้างระบบที่มีประสิทธิภาพมากขึ้น

ความคิดสุดท้าย

หุ่นยนต์ยังคงมีวิธีไปก่อนที่จะเป็นกระแสหลัก อย่างไรก็ตามงานนี้ทำให้เราใกล้ชิดกับการมีหุ่นยนต์ซึ่งสามารถเข้าใจคำสั่งที่เราใช้กับพวกมันได้อย่างง่ายดาย ก่อนหน้านั้นไปล้างจานของคุณเอง