Robot Öğrenme Döngüsü gAxis Bir robotun “öğreniyor” olduğunu söylediğimizde, ona yeterli veri vermenin sonunda her şeyi yapmasını sağlayacağını düşünmek kolaydır. Gerçek dünyadaki robotik bu kadar basit değildir. Bir robot, birinin çekmecenin açılmasını binlerce kez izleyebilir ve çekmece biraz daha ağırsa, tutamaç farklı bir konumdaysa ya da yaklaşımı tam olarak doğru değilse hâlâ zorlanır. Çünkü robotik sadece doğru eylemi tanımayı değil, beklenen eylemin başarısız olduğunda ne yapacağını bilmeyi de içerir. İnsanlar bunu doğal olarak öğrenir. Bir şey deneyip hatayı fark eder, ayarlar ve tekrar deneyiz. Başarısız deneyimin deneyimi, bir sonraki yaklaşımımızı nasıl değiştireceğimizi değiştirir. Fiziksel Yapay Zeka, bu aynı öğrenme sürecini yakalamak için bir yol gerektirir. 𝗕𝘂 𝗔𝘅𝗶𝘀'𝗶𝗻 𝗚𝗶𝗿𝗶ş 𝗞𝗼𝗿𝗶𝗱𝗼𝗿𝘂 @axisrobotics, robotların insanlarla simüle edilmiş etkileşimler aracılığıyla eğitilebileceği bir ortam inşa ediyor. Her öğrenme deneyimini fiziksel bir robot üzerinde gerçekleştirmek yerine, eğitmenler simüle edilmiş robotlarla etkileşime girip, hatalar yaptıklarında onlara rehberlik edebilir ve bu etkileşimlerden trajektori oluşturabilir. Önemli olan sadece daha fazla kayıt toplamak değil. Denenen bir eylem ile ardından gelen düzeltme arasındaki ilişkiyi yakalamaktır. Bir robot yanlış bir şekilde uzanır. Bir insan devralır. Daha iyi hareket gösterilir. Bu düzeltme, eğitim verisi haline gelir. Model, bu deneyimi gelecekteki denemelerini iyileştirmek için kullanabilir. Dolayısıyla döngü şu şekilde görünür: Deneme → hata → düzeltme → eğitim sinyali → daha iyi deneme. Bu döngüyü yeterince tekrarladığınızda sistem, statik bir gösterim kütüphanesinden çok daha faydalı bir şey biriktirmeye başlar. Deneyim biriktirmeye başlar. 𝗡𝗲 𝗦𝗶𝗺𝘂𝗹𝗮𝘀𝘆𝗼𝗻 𝗘𝘁𝗸𝗶𝗹𝗶 Fiziksel robotlar pahalıdır, sıfırlanması yavaştır ve gerçekçi olarak yapabileceğiniz deney sayısına bağlıdır. Simülasyon bu kısıtlamaların çoğunu ortadan kaldırır. Aynı görevi tekrar tekrar test edebilir, farklı koşullar ekleyebilir, müdahaleleri toplayabilir ve fiziksel dünyaya dağıtmadan önce politikayı geliştirebilir. İşte burada sim-to-real önem kazanır. Hedef, bir robotun sadece simülasyon içinde iyi kalması değil. Orada kazanılan derslerin gerçek dünyada daha iyi performans gösterebilen robotlara katkıda bulunmasıdır. Ve Axis, daha karmaşık manipülasyon görevlerine doğru ilerledikçe, bu geri bildirim döngüsünün kalitesi giderek daha önemli hale gelir. Çünkü nihayetinde robotik, en büyük veri setini toplayarak çözülmeyecek. Deneyimi daha iyi davranışa dönüştürebilen sistemler inşa edilerek çözülecek. Bu, dikkat ettiğim Axis’in parçası. Daha fazla veri faydalıdır. Ancak her denemeden daha iyi öğrenmek gerçek avantajdır. @iamlogtun