MIT STAG glove and mug
 |
| 台灣區電信工程工業同業公會 |
據麥姆斯咨詢報導，麻省理工學院電腦科學與人工智慧實驗室（MIT-CSAIL）的研究人員，近日開發了一種低成本的感測器手套，旨在使人工智慧能夠「弄清楚」，人類如何透過觸摸辨識物體。它被稱為可伸縮的TActile手套（STAG），使用550個微小的壓力感測器，來生成可用於創建改進的機械手的模式。
人類非常善於透過觸摸來弄清楚物體是什麼（例如在黑暗中摸索眼鏡或手機）。工程師希望機器人也能效仿這種能力。這樣做的一種方法，是收集盡可能多的關於人類，實際上如何透過觸摸辨識的資訊。
原因在於，如果有足夠大的數據庫，那麼機器學習可以用來進行分析，不僅可以推斷人手如何辨識某物，還可以估計其重量——機器人和義肢難以做到這點。
原因在於，如果有足夠大的數據庫，那麼機器學習可以用來進行分析，不僅可以推斷人手如何辨識某物，還可以估計其重量——機器人和義肢難以做到這點。
麻省理工學院正在透過，配備550個壓力感測器的低成本針織手套，收集這些數據。手套連接到電腦，電腦收集數據，壓力測量結果被轉換為影像「觸覺地圖」，並被輸入卷積神經網路（CNN）。該網路能對圖像進行分類，找出特定的壓力模式，並將其與特定的物體相匹配。
該團隊從26個常見物體（如飲料罐、剪刀、網球、勺子、鋼筆和馬克杯）中收集了135000個影像幀。然後，神經網路將半隨機幀，與特定的夾點相匹配，直到建立了一個物體的完整圖片 - 這與人們透過在手中滾動物體，來辨識物體的方式非常相似。透過使用半隨機圖像，可以給網路提供相關的圖像集群，因此不會在無關數據上浪費時間。
「我們希望最大化框架之間的差異，為我們的網路提供最好的輸入，」CSAIL博士後Petr Kellnhofer說。「單個群集中的所有幀，都應該具有類似的簽名，這些簽名代表了抓取對象的類似方式。從多個群集中，採樣模擬人類交互式嘗試探索物體時，找到不同的抓取方式。」
該系統目前辨識物體的精確度為76%，其還可以幫助研究人員瞭解，手掌握和操縱它們的方式。為了估計重量，研究人員還編製了一個11600幀的單獨數據庫，顯示在跌落之前用手指和拇指拾取物體。透過在物體被保持時測量手周圍的壓力，然後在跌落後比較它，可以測量重量。
該系統的另一個優點是成本和靈敏度。類似的感測器手套價值數千美元，卻只有50個感測器。而麻省理工學院的手套則採用現成的材料，成本僅為10美元。
沒有留言:
張貼留言