深度學習對機器人有多大的影響
迄今為止，大多數人工智慧(AI)研究都集中在視覺方面。多虧了機器學習，尤其是深度學習，我們現在有了對周圍環境有很好的視覺理解的機器人和裝置。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慧的演算法，研究人員現在將注意力集中在從感覺運動系統和觸覺反饋中獲取的資料集上。有了這種額外的感官，未來的機器人和人工智慧裝置將對它們的物理環境有更大的認識，從而開啟新的用例和可能性。
人工智慧系統
人工智慧愛好者、技術專家、深度學習和神經語言程式設計專家Somatic創始人賈森•託伊(Jason Toy)最近發起了一個專案，重點培訓人工智慧系統，使其能夠基於觸覺輸入與環境互動。該專案名為SenseNet: 3D物體資料庫和觸覺模擬器，致力於將機器人對周圍環境的對映擴充套件到視覺之外，包括輪廓、紋理、形狀、硬度和觸覺物體識別。
Toy最初的目標是在感知運動系統和觸覺反饋方面創造一波人工智慧研究浪潮。除此之外，他還設想，經過人工訓練的機器人最終將被用於開發機器人手，用於工廠和配送中心，完成裝箱、零部件回收、訂單履行和分類等工作。其他可能的應用包括用於食品製備、家務和元件組裝的機械手。
機器人學和深度強化學習
SenseNet專案依賴於深度強化學習(deep reinforcement learning, RL)，這是機器學習的一個分支，它借鑑了有監督和無監督的學習技術，依賴於一種基於監控互動的獎勵系統，以找到更好的方法迭代改進結果。
許多人認為，RL提供了一種開發自主機器人的途徑，這種機器人可以在最少的人類干預下掌握某些獨立行為。例如，對深度RL技術的初步評估表明，使用模擬技術開發靈巧的3D操作技能是可能的，而不必手工建立表示。
使用SENSENET資料集
SenseNET及其支援資源旨在克服許多共同的挑戰
研究人員在從事基於觸控的人工智慧專案時面臨的問題。一個開源的形狀資料集，其中大部分可以3D列印，以及一個觸控模擬器，讓人工智慧研究人員加快專案工作。圖1顯示了SenseNET資料集中包含的一些形狀的示例。
圖1:SenseNet 3D物件的例子。
GitHub*上的SenseNet儲存庫提供了3D物件資料集之外的大量資源，包括培訓示例、分類測試、基準測試、Python*程式碼示例等等。
通過新增一個模擬器，研究人員可以載入和操作這些物件，從而使資料集更加有用。Toy解釋說:“我們在子彈物理引擎上建立了一個層。Bullet是一個廣泛應用於遊戲、電影以及最近的機器人和機器學習研究中的物理引擎。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控感測器，可以讓手模擬觸控。圖2顯示了使用MPL支援的一些手勢。
圖2:SenseNet中可用的機器人手勢。
支援技術
為了加速訓練和測試許多強化學習演算法玩具使用英特爾的強化學習教練-機器學習測試框架。在Python*環境中執行，強化學習教練允許開發人員建模代理和環境之間的互動，如圖3所示。
圖3:通過組合構建塊來建模代理。
通過結合各種構建模組，提供視覺化工具動態顯示訓練和測試結果，增強學習教練使訓練過程更加有效，並支援在多個環境下對代理進行測試。先進的視覺化工具，基於在訓練序列中收集的資料，可以方便地通過Coach儀表板訪問，並用於除錯和優化被訓練的代理。
開發人員的機會
至於其他開發者的機會，Toy說:“不要害怕打破常規。深度學習的熱潮主要集中在卷積神經網路(CNNs)和計算機視覺領域，因為這兩個領域的學習成果最多。“其他未被探索的領域在人工智慧方面提供了洞見，有時還會帶來突破，而這些不太受歡迎的領域可能會引領人們走向有希望的方向。”
最後，Toy說:“不要僅僅從數學和電腦科學的角度研究人工智慧。看看其他領域，比如計算神經科學和認知科學。”