NeatNet — система, яка допомагає роботам вивчати вподобання людей щодо прибирання
Оскільки роботи стають дедалі досконалішими й доступнішими, дедалі більше людей можуть почати впроваджувати їх у своїх домівках. Саме тому багато робототехніків намагаються розробити системи, які можуть ефективно допомагати людям у побутових справах, таких як приготування їжі та прибирання.
Дослідники з лабораторії навчання роботів Імперського коледжу Лондона розробили NeatNet — інноваційний інструмент машинного навчання, який може дозволити роботам упорядковувати домашнє середовище відповідно до індивідуальних вподобань користувача. Ця модель, представлена в статті на arXiv, базується на новій архітектурі варіаційного автокодувальника з графовими шарами нейронної мережі.
«Кожен облаштовує свій дім унікальним і особистим способом, на який впливають естетичний смак, звички і навіть культурне походження. Ми розробили метод вивчення вподобань людей щодо облаштування свого дому, щоб потім робот міг прибирати їхній дім індивідуально»
NeatNet — методика, розроблена доктором Джонсом та його учнем Іваном Капелюхом, — дозволяє роботам розпізнавати унікальні вподобання користувача щодо прибирання, просто спостерігаючи за тим, як він розставляє меблі та предмети у своєму домі. Потім робот може використовувати ці вподобання як орієнтир для наведення порядку в домі користувача, відображаючи його вподобання.
Джонс розповів: «Наприклад, припустімо, що ви віддаєте перевагу тому, щоб ваш стіл був облаштований компактно, щоб усе було легко доступно. Можливо, ви захочете, щоб робот вивчив це вподобання. Після того як робот прибере на ньому, ваш стіл буде облаштований так, як зручно саме вам».
NeatNet черпає натхнення із рекомендаційних систем — інструментів машинного навчання, які використовують платформи потокового мовлення (наприклад, Netflix, YouTube, Spotify) або інші вебсайти, щоб рекомендувати користувачам новий контент. Рекомендаційні системи працюють, вивчаючи вподобання користувачів залежно від того, який контент вони дивилися, слухали або до якого мали доступ раніше.
Дослідники повідомили: «Якщо новий фільм подивилося багато користувачів із подібними до вас вподобаннями, Netflix може порекомендувати цей самий фільм і вам. Ось так ці методи дають індивідуальні рекомендації».
Новий інструмент, схожий на рекомендації, для вивчення вподобань щодо наведення порядку був заснований на дисертації Капелюха в Імперському коледжі Лондона, яку керував доктор Джонс. Капелюх представив нову доповідь разом зі своїм науковим керівником на конференції з навчання роботів (CoRL), яка у 2021 році проходила в Лондоні з 8 по 11 листопада.
«Досі ми представляли наші результати з використанням комп’ютерного моделювання робота та його оточення, але в нашій майбутній роботі ми плануємо реалізувати це на реальному роботі в реальному світі», — заявив Джонс.
По суті NeatNet обробляє сцени, які були впорядковані та прибрані користувачами. З цих сцен вона дізнається про вподобання користувача щодо наведення порядку, які представлені у вигляді послідовності чисел. Зрештою, вона використовує ці числові послідовності для індивідуального розташування будь-якої групи об’єктів.
«Оскільки робот заздалегідь не знає, скільки об’єктів він зустріне, NeatNet використовує графову нейронну мережу для обробки. Це означає, що замість навчання безпосередньо на зображеннях простору вона моделює його як граф, де кожен об’єкт є вузлом (або точкою), а всі вузли з’єднані разом»
Використовуючи графову нейронну мережу, NeatNet також може вивчати зв’язки між різними об’єктами. Наприклад, вона може дізнатися, що клавіатура і миша зазвичай розташовуються поруч або що столові прилади ставлять збоку від тарілок.
Окрім вивчення загальних зв’язків між об’єктами, NeatNet вивчає індивідуальні вподобання користувачів. Наприклад, система може дізнатися, з якого боку тарілки користувачі зазвичай кладуть свої столові прилади, адже у лівшів і правшів можуть бути різні вподобання.
Доктор Джонс і Капелюх оцінили свою техніку в серії експериментів, використовуючи приклади розташування кімнат, створені за допомогою симулятора прибирання, який відображав вподобання 75 різних користувачів. У цих тестах NeatNet незмінно забезпечувала акуратне та персоналізоване прибирання кімнат.
«Ми виявили, що наведення порядку в приміщеннях індивідуальним способом було приємнішим для користувачів, ніж просто наведення порядку для всіх. Це було справедливо навіть для простих просторів, а в реальних домівках із сотнями об’єктів є набагато більше варіантів того, як прибрати кожну кімнату»
Коли роботи стануть поширенішими, їхня здатність виконувати завдання способами, узгодженими з вподобаннями окремих користувачів, може бути особливо цінною. Таким чином, NeatNet може виявитися особливо корисною для підвищення продуктивності домашніх помічників і роботів.
«Ще одне цікаве відкриття полягає в тому, що, хоча нейронна мережа подає вподобання користувача у вигляді послідовності чисел, ми все ж змогли знайти деякі значущі закономірності. Наприклад, NeatNet вирішила окремо згрупувати лівшів і правшів на основі того, як вони облаштували обідній стіл. Це проливає світло на те, як модель працює всередині, що часто буває важко визначити під час використання нейронних мереж»
Досі NeatNet тестувалася лише на моделюванні, але дала багатообіцяючі результати. Наразі вчені проводять додаткове дослідження, спрямоване на застосування та оцінку їхнього методу на реальних роботах.
Дослідники розповіли: «Ми будемо використовувати камери робота («очі робота»), щоб визначати, де знаходяться об’єкти в кімнаті. Крім того, ми розглянемо, як забезпечити, щоб запропоновані пристрої завжди були безпечними відповідно до законів фізики. Наприклад, тарілка не повинна перекидатися за край столу. Ми також вивчимо методи, які враховують, скільки часу знадобиться роботу, щоб завершити це прибирання. Наприклад, замість того, щоб прибирати весь дім, ми могли б захотіти, щоб робот прибрав лише кілька предметів, які дуже недоречні».
