Et system til at sætte robotter i stand til at udføre naturligt sprog effektivt

Drømmer du om en fremtid, hvor robotter bruges til en række forskellige aktiviteter, så vi ikke selv skal lave dem?

Kom nu, tænk over det! Rengøring, madlavning, gøre alle vores gøremål er blot nogle få af de vidunderlige muligheder. Hvilken vidunderlig mulighed ikke? Desværre bliver du i øjeblikket nødt til at blive ved med at drømme.

Mens der er nogle fantastiske robotter der findes derude, er robotter endnu ikke tilpasningsdygtige nok til at udføre en lang række aktiviteter som denne effektivt. Desuden, selvom talegenkendelsesteknologi er avanceret med stormskridt, er den stadig ikke god nok til brug med robotter.

Dit bedste bud på at få noget som en hypotetisk robotbutler til at følge dine instruktioner ville være at skrive instruktionssættet.

Talte kommandoer

Problemet med talte kommandoer er, at de indeholder forskellige niveauer af kompleksitet, selvom dette måske ikke altid er klart.

Forestil dig, at du fortæller din robot: "Hent den kasse derovre." Det virker simpelt nok, men der er et problem. Din robot skal opdele dette i en række trin, før den fuldfører handlingen. Et muligt scenarie for at udføre denne kommando er:

• Tænd for sporingssystem
• Tænd for gangmotorer
• Skift retning
• Tag de nødvendige skridt
• Roter lemmer
• Clench boks
• Løftekasse

Som du kan se, er dette faktisk mere komplekst, end det først så ud til at være. Forestil dig nu den kommando sammenlignet med noget som "Tænd dit sporingssystem." Selvom antallet af ord, der bruges til at give disse 2 kommandoer, er ens, er deres kompleksitetsniveauer verdener fra hinanden.

Hvordan kan vi løse dette? Som det ser ud nu, vil robotter have problemer med at finde ud af de forskellige kompleksitetsniveauer af talte kommandoer.

Frygt ej, et hold kl Brown Universitet har udviklet et system, som forbedrer måden, robotter håndterer talte kommandoer på.

Sådan får du dine robotter til at adlyde dine ordrer: Et system til at sætte robotter i stand til at udføre talte kommandoer effektivt

Forskerne hos Brown brugte de data, de opnåede, til at træne deres system til at forstå forskellige niveauer af kompleksitet. Systemet var derefter i stand til at indsamle, hvilken handling der skulle udføres, og forstå de kompleksitetsniveauer, der er forbundet med forskellige sætningsstrukturer.

Holdet på Brown University besluttede at tackle problemet med at få robotter til at udføre talte kommandoer ved at bruge et genialt system. De brugte begge Amazons Mekanisk tyrker samt et værktøj kaldet Virtual Cleanup World til at udvikle deres model.

Den virtuelle oprydningsverden er et virtuelt opgavedomæne. Den består af farvekodede rum, en virtuel robot og et objekt, som robotten kan udføre opgaver med.

Frivillige hos Mechanical Turk fandt ud af, hvilke instruktionssæt der førte til særlige handlinger i Cleanup-verdenen. Først observerede de robotten, da den udførte en række forskellige opgaver.

De blev derefter spurgt, hvilke instruktionssæt de mente ville fungere bedre. De frivillige blev bedt om at oprette kommandoer på højt niveau, mellemniveau og lavt niveau.

Kommandoer på højt niveau var dem som at instruere robotten til at bære en stol til et rum med en bestemt farve. Kommandoer på lavt niveau var kommandoer opdelt i flere trin. Kommandoer på mellemniveau kombinerede funktionerne ved kommandoer på højt og lavt niveau.

Forskerne hos Brown brugte de data, de opnåede, til at træne deres system til at forstå forskellige niveauer af kompleksitet. Systemet var derefter i stand til at indsamle, hvilken handling der skulle udføres, og forstå de kompleksitetsniveauer, der er forbundet med forskellige sætningsstrukturer.

Sætter systemet på prøve

Da robotterne var i stand til at finde ud af det ønskede slutresultat, samt forstå opgavernes kompleksitetsniveau, fuldførte de opgaven på kun 1 sekund 90 procent af tiden.

På baggrund af dette var den i stand til at udtænke en passende plan baseret på de talte kommandoer, den blev givet. Efter at have trænet deres system, var det tid til at teste frugterne af deres arbejde. Forskningen gjorde endnu en gang brug af Cleanup World såvel som en rigtig robot, der opererede i et fysisk rum, der er sat op på samme måde som den virtuelle Cleanup World.

Da robotterne var i stand til at finde ud af det ønskede slutresultat, samt forstå opgavernes kompleksitetsniveau, fuldførte de opgaven på kun 1 sekund 90 procent af tiden.

Men når der var et sammenbrud i forståelsen af ​​kompleksitetsniveauet, tog opgaveafslutningen længere tid. I dette tilfælde krævede robotterne 20 eller flere sekunders planlægning for at fuldføre en opgave.

Forskerne bliver nødt til at finde måder at minimere disse nedbrud for at skabe et mere effektivt system.

Afsluttende tanker

Robotter har stadig et stykke vej at gå, før de er mainstream. Dette arbejde bringer os dog tættere på at have robotter, som nemt kan forstå de kommandoer, vi giver dem. Indtil da, vask dit eget opvask.