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(xué)習(xí)，尤其是深度學(xué)習(xí)，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(shè)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(shè)備將對它們的物理環(huán)境有更大的認(rèn)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(xué)習(xí)和神經(jīng)語言編程專家Somatic創(chuàng)始人賈森托伊(JasonToy)最近發(fā)起了一個項目，重點培訓(xùn)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(biāo)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(shè)想，經(jīng)過人工訓(xùn)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(yīng)用包括用于食品制備、家務(wù)和組件組裝的機械手。

機器人學(xué)和深度強化學(xué)習(xí)

SenseNet項目依賴于深度強化學(xué)習(xí)(deepreinforcementlearning,RL)，這是機器學(xué)習(xí)的一個分支，它借鑒了有監(jiān)督和無監(jiān)督的學(xué)習(xí)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(rèn)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(yù)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:SenseNet3D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(xùn)示例、分類測試、基準(zhǔn)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(yīng)用于游戲、電影以及最近的機器人和機器學(xué)習(xí)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(xùn)練和測試許多強化學(xué)習(xí)算法玩具使用英特爾的強化學(xué)習(xí)教練-機器學(xué)習(xí)測試框架。在Python*環(huán)境中運行，強化學(xué)習(xí)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(xùn)練和測試結(jié)果，增強學(xué)習(xí)教練使訓(xùn)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(xùn)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(xùn)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(xué)習(xí)的熱潮主要集中在卷積神經(jīng)網(wǎng)絡(luò)(CNNs)和計算機視覺領(lǐng)域，因為這兩個領(lǐng)域的學(xué)習(xí)成果最多。“其他未被探索的領(lǐng)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(lǐng)域可能會引領(lǐng)人們走向有希望的方向。”

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