NeatNet — система, которая помогает роботам изучить предпочтения людей в отношении уборки
Поскольку роботы становятся все более совершенными и доступными, все больше людей могут начать внедрять их в свои дома. Вот почему многие робототехники пытаются разработать системы, которые могут эффективно помогать людям в домашних делах, таких как приготовление пищи и уборка.
Исследователи из лаборатории обучения роботов Имперского колледжа Лондона разработали NeatNet — инновационный инструмент машинного обучения, который может позволить роботам приводить в порядок домашнюю среду в соответствии с индивидуальными предпочтениями пользователя. Эта модель, представленная в статье на arXiv, основана на новой архитектуре вариационного автокодировщика с графическими слоями нейронной сети.
«Каждый обставляет свой дом уникальным и индивидуальным образом, на который влияет эстетический вкус, привычки и даже культурное происхождение. Мы разработали метод изучения предпочтений людей в отношении устройства своего дома, чтобы затем робот мог убирать их дом индивидуально»
NeatNet — методика, разработанная доктором Джонсом и его учеником Иваном Капелюхом — позволяет роботам узнавать уникальные предпочтения пользователя по уборке, просто наблюдая за тем, как он расставляет мебель и предметы в своем доме. Затем робот может использовать эти предпочтения в качестве руководства для наведения порядка в доме пользователя, отражая его/ее предпочтения.
Джонс рассказал: «Например, предположим, что вы предпочитаете, чтобы ваш стол был устроен компактно, чтобы все было легко доступно. Возможно, вы захотите, чтобы робот изучил это предпочтение. После того, как робот уберется на нем, ваш стол будет устроен так, как это удобно для вас».
NeatNet черпает вдохновение из рекомендательных систем — инструментов машинного обучения, используемых платформами потоковой передачи (например, Netflix, YouTube, Spotify) или другими веб-сайтами, чтобы рекомендовать пользователям новый контент. Рекомендательные системы работают, изучая предпочтения пользователей в зависимости от того, какой контент они смотрели, слушали или получали доступ в прошлом.
Исследователи сообщили: «Если новый фильм посмотрело много пользователей с похожими на вас предпочтениями, Netflix может порекомендовать этот же фильм и вам. Вот как эти методы дают индивидуальные рекомендации».
Новый инструмент, похожий на рекомендации, для изучения предпочтений по наведению порядка был основан на диссертации Капелюха в Имперском колледже Лондона, которую курировал доктор Джонс. Капелюх представил новый доклад вместе со своим научным руководителем на конференции по обучению роботов (CoRL), которая в 2021 году проходила в Лондоне с 8 по 11 ноября.
«До сих пор мы представляли наши результаты с использованием компьютерного моделирования робота и его окружающей среды, но в нашей будущей работе мы планируем реализовать это на реальном роботе в реальном мире», — заявил Джонс.
По сути NeatNet обрабатывает сцены, которые были упорядочены и убраны пользователями. Из этих сцен он узнает о предпочтениях пользователя по наведению порядка, которые представлены в виде последовательности чисел. Наконец, он использует эти числовые последовательности для индивидуального расположения любой группы объектов.
«Поскольку робот не знает заранее, сколько объектов он встретит, NeatNet использует графическую нейронную сеть для обработки. Это означает, что вместо обучения непосредственно на изображениях пространства он моделирует его как граф, где каждый объект является узлом (или точкой), а все узлы соединены вместе»
Используя графическую нейронную сеть, NeatNet также может изучать отношения между различными объектами. Например, она может узнать, что клавиатура и мышь обычно размещаются рядом или что столовые приборы ставятся сбоку от тарелок.
Помимо изучения общих объектных отношений, NeatNet изучает индивидуальные предпочтения пользователей. Например, система может узнать, на какой стороне тарелки пользователи обычно кладут свои столовые приборы, поскольку у левшей и правшей могут быть разные предпочтения.
Доктор Джонс и Капелюх оценили свою технику в серии экспериментов, используя примеры расположения комнат, созданные с помощью симулятора уборки, который представил предпочтения 75 различных пользователей. В этих тестах NeatNet неизменно производила аккуратную и персонализированную уборку комнат.
«Мы обнаружили, что наведение порядка в помещениях индивидуальным образом было более приятным для пользователей, чем просто наведение порядка для всех. Это было верно даже для простых пространств, а в реальных домах с сотнями объектов есть намного больше вариантов того, как убрать каждую комнату»
Когда роботы станут более распространенными, их способность выполнять задачи способами, согласованными с предпочтениями отдельных пользователей, может быть особенно ценной. Таким образом, NeatNet может оказаться особенно полезной для повышения производительности домашних помощников и роботов.
«Еще одно интересное открытие заключается в том, что, хотя нейронная сеть представляет предпочтения пользователя в виде последовательности чисел, мы все же смогли найти некоторые значимые закономерности. Например, NeatNet решила сгруппировать пользователей-левшей и правшей отдельно на основе того, как они обставили обеденный стол. Это проливает некоторый свет на то, как модель работает изнутри, что часто бывает трудно определить при использовании нейронных сетей»
До сих пор NeatNet тестировалась только на моделировании, но дала многообещающие результаты. В настоящее время ученые проводят дополнительное исследование, направленное на применение и оценку их метода на реальных роботах.
Исследователи рассказали: «Мы будем использовать камеры робота («глаза робота»), чтобы определять, где находятся объекты в комнате. Кроме того, мы рассмотрим, как обеспечить, чтобы предлагаемые устройства всегда были безопасными в соответствии с законами физики. Например, тарелка не должна опрокидываться за край стола. Мы также изучим методы, которые учитывают, как много времени понадобится роботу, чтобы завершить эту уборку. Вместо того, чтобы убирать весь дом, например, мы могли бы захотеть, чтобы робот убрал только несколько предметов, которые очень неуместны».
