Исследователи из Имперского колледжа Лондона и Лаборатории обучения роботов компании Dyson представили метод Render and Diffuse (R&D), то есть «Визуализация и распространение». Так они назвали подход, который объединяет в роботизированной системе низкоуровневые (простые) действия и изображения в формате RBG с использованием виртуальной трёхмерной визуализации.

Утверждается, что представленный метод может в конечном итоге облегчить процесс обучения роботов новым навыкам. А также сократить огромное количество обучающих демонстраций с помощью человека, как того пока ещё требуют многие существующие технологии.

Ведущий автор разработки — Виталис Восилиус, аспирант Имперского колледжа Лондона. Во время стажировки в Dyson он занимался упрощением задач по обучению роботов, позволив устройствам более эффективно прогнозировать нужные действия.

Метод R&D позволяет роботам «представлять» свои действия на основе картинок, используя виртуальные рендеры, то есть преобразования трёхмерной модели из компьютерной программы в изображение. Иными словами, используя широко доступные 3D-модели роботов и методы рендеринга, можно значительно упростить приобретение новых навыков устройствами, а также существенно снизить требования к объёму данных для обучения.

Итак, чтобы робот выполнил новую задачу, ему сначала необходимо спрогнозировать действия, которые он должен совершить, на основе изображений, получаемых датчиками. Метод R&D, по сути, позволяет роботам более эффективно соотносить изображения и действия.

Как следует из названия, новый подход состоит из двух основных этапов, объяснил Восилиус. Во-первых, устройство «воображает» свои действия практически так же, как воспринимает окружающую среду. Для этого происходит визуализация (отображение) момента, в котором он оказался бы, если бы выполнял определённые действия. Во-вторых, происходит уточнение эти воображаемых действий, что в конечном итоге приводит к последовательности реальных движений для выполнения задачи.

Исследователи оценили свой метод в серии компьютерных симуляций и обнаружили, что добились оптимизации. Затем убедились в том, что избрали верный путь, испытав реального физического робота при выполнении им шести повседневных задач. Робот опускал сиденье унитаза, наводил порядок в шкафу, открывал картонную коробку, укладывал яблоко в тумбочку, открывая и закрывая её.

В конечном счёте, исследователи упростили алгоритм обучения и теперь рассчитывают применить свой подход в программных продуктах для прочей робототехники.