nao机器人
位置:首页 >> 新闻中心 >> 机器人新闻

机器人新闻

  • 智能NAO机器人是怎么智能学习的

  • 斯坦福大学计算机科学助理教授Percy Liang解释说,人类在日常的互动中依赖于一定程度的可预测性——包括与其他人类和自动化系统(包括但不限于他们的汽车)。创建这种可预测性的一种方法是使用机器学习。

    智能NAO机器人是怎么智能学习的?

    机器学习处理算法,允许智能机器人从以前收集的数据中“学习”。开发人员不需要编写代码来显示每一个行动或人工智能的意图。相反,该系统从其经验中识别模式,并根据这些数据采取适当的行动。它类似于一个实验和错误的过程。

    机器学习系统在研究和测试环境中经常被问到的一个关键问题是:“为什么系统会做出这样的预测?

    梁解释道:“如果你穿过马路,一辆车驶到你身边,你就有了一个人类驾驶者要做的另一个模型。”“但是如果汽车是由智能‍机器人控制的,人类怎么知道如何行动呢?”

    重要的是看到一个系统运行良好,但也许更重要的是,它可以使用容易理解的术语来解释为什么它会做同样的事情。即使系统是不准确的,它必须是可解释的和可预测的。为了安全地部署AI,系统必须依赖于充分理解、现实和可测试的假设。

    目前的理论探索可靠的人工智能的想法,着眼于拟合可观测的输出训练数据。然而,正如梁教授所解释的,这可能导致“自动驾驶系统”在验证测试中表现良好,但不理解期望输出的人工值。”

    当然,运行多个测试是非常重要的。梁教授解释说,这些类型的模拟“便于调试技术——它们允许我们更容易地执行受控实验,并且允许更快的迭代。

    然而,为了真正理解一项技术是否有效,教授说,“没有替代品可以把它应用到现实生活中。”这适用于语言、视觉和机器人学。

    “无人驾驶汽车在所有测试条件下都可能表现良好,但它们无法准确预测它们在不可预测的自然灾害中的表现。

    在机器学习中,图像检测器为他们提供训练数据,例如照片、计算机生成的图像。和标签他们学会识别对象。

    智能NAO机器人是怎么智能学习的?

    研究的另一个方面是确保对人工智能的理解,并传达其对人类的局限性。他解释说,传统的成功标准是平均精度,“这不是人工智能安全良好的界面。”他提出,“一个80%可靠的系统该怎么做?”

    他不想让这个系统有一个准确的答案。相反,他希望看到系统的情况下不知道答案。如果用户要求系统”多少我应该吃止痛药吗?”这个系统更适合说“我不知道”,而不是做一个代价高昂或危险的错误预测。

    他们的团队正致力于通过学习算法跟踪模型预测的挑战-所有这些算法都返回到由模型参数生成的训练数据。

    这个团队希望通过训练数据的视角观察模型——将成为发展,机器学习的理解和诊断标准工具包的一部分。研究人员可以与许多应用:医学、计算机、自然语言理解系统和各种业务应用程序的分析。