Как поведение цифровой платформы, а не производителя, станет золотым пятном для следующего поколения робототехнических компаний
Данные и глубокое обучение меняют мир за последнее десятилетие. Большинство компаний, производящих робототехнику, еще не подключились к революции данных, и господствующее представление о том, чем может быть робототехника, все еще далеко от реализации. Статус-кво робототехнических компаний не позволит реализовать мечту о роботах, помогающих нам с любой задачей в любом сценарии (или, по крайней мере, пытающихся добиться определенного успеха), но создаст несколько дорогих игрушек, решающих одну проблему (подсказка, мы есть некоторые уже).
Самые популярные стартапы в области робототехники в наши дни — это Boston Dynamics, Tesla Motors и, возможно, даже SpaceX. Все эти компании вертикально интегрируют продукт с лучшей в своем классе автономностью, чтобы создавать чрезвычайно ценные продукты на годы раньше своих конкурентов. В конце концов, конкуренция наверстает упущенное, и меня интересуют новые компании, которые получают 90 или 99% одинаковых способностей в одной задаче, но одновременно решают множество похожих задач. Возможность одновременного решения других задач появляется при просмотре эвристически одинаковых формулировок задач (избежать сбоев, найти объект) на физически разных платформах.
Моя точка зрения на следующую эру успешных робототехнических компаний — это горизонтальная модульность, когда совместное использование данных между системами позволяет использовать новые наборы технологий и устраняет необходимость решать одни и те же классы проблем. многократно.
В этом эссе я рассказываю о том, как я воспринимаю двух крупных игроков в области разработки робототехники: Boston Dynamics и Covariant.ai (предвзятость в самоотчетах, поскольку это дочерняя компания Беркли) и их будущее. В ближайшие годы будет больше примеров, на которые можно опереться.
Во-первых, немного предыстории компаний и их процессов разработки, прежде чем рассказать историю о том, как мы переходим от вертикальной оптимизации оборудования к горизонтальным модульным платформам робототехники.
Бостон Динамика
Boston Dynamics производит потрясающую работу в узком диапазоне мобильности, максимизируя производительность конкретной аппаратной сборки (в ближайшее время планируется статья о них и системах, которые они используют), но это не настроено. для обобщения и масштабируемости. У них есть инженеры, работающие над каждой подзадачей, чтобы получить еще большую надежность. Во вступительном чтении Boston Dynamics использует очень точные симуляторы и модели своего робота для расчета наилучших действий с популярными вариантами оптимального управления (такими как Model Predictive Control). Этот подход слишком ориентирован на их платформу, и нет простого переноса весов или модулей на новую задачу (некоторые источники: Boston Dynamics обсуждали свой MPC на семинаре Real World RL Workshop и приличное резюме от IEEE).
Ковариант.ai
Между тем, Covariant сосредоточен на сборе правильных данных для решения класса задач, таких как роботизированное восприятие для выбора и размещения. В интервью соучредитель Питер Эббил в значительной степени сказал, что их процесс разработки (вспоминаю по памяти):
Мы бросаем все, что можем придумать, на роботов в лаборатории.
Это звучит как разработка в крайнем случае с точки зрения данных, а не управления. Например, как решить проблему роботизированного восприятия, чтобы он мог видеть и манипулировать полупрозрачными объектами. Если стек восприятия может видеть и определять, где в пространстве находится полупрозрачный объект, это знание можно использовать как для манипулирования, так и для передвижения. Помимо режимов восприятия, управляемых данными, Ковариант не пытается изобретать велосипед и использует проверенные и надежные методы управления, такие как PID, LQR, MPC и т. д.
Переход от вертикальной к горизонтальной разработке роботов
Начнем с того, как роботы разрабатывались в прошлом. Лучше всего это можно описать как танец знаний между аппаратным и программным обеспечением. У лучших робототехников была атмосфера эпохи Возрождения, и в небольших командах они последовательно итерировали и оптимизировали системы. Ограничивающими факторами здесь являются время, опыт и ресурсы.
Чтобы увидеть, как отрасль может уйти от этого подхода, нам нужно понять, что роботизированные системы состоят из перекрывающихся наборов примитивов.
Роботизированные примитивы
Существуют определенные навыки, которыми должен обладать каждый робот, чтобы существовать как продукт. Каждому роботу необходимо: взаимодействовать с миром (манипулировать, передвигаться и т. д.) и видеть мир, что часто называют восприятием. Передвижение и управление могут использовать множество различных блоков, которые включают в себя различные исполнительные механизмы и различные алгоритмы принятия решений и планирования. Восприятие использует множество различных модальностей, родственных различным чувствам.
Если мы посмотрим, где сходятся несколько компаний-роботов, то увидим, что у них много разных возможностей, и почти всегда они пересекаются с родственными системами. Использование этих горизонтальных связей в сходных типах данных и движений — вот где открываются возможности.
Конечно, я не говорю, что это легко сделать: вставка данных из другого проекта в ваш собственный проект и наоборот обычно не приводит к тому, что ни один из них не работает. Есть надежда, используя иерархии.
Иерархия и модульность
Иерархический контроль и иерархическое обучение — это области, которые явно или автоматически создают абстракции в системах для улучшения их поведения. Наличие динамической иерархии имеет решающее значение для развития этого видения. Если части системы нельзя отделить друг от друга, у роботов, использующих решения, полученные от нескольких лучших в своем классе поставщиков, мало надежды (к счастью, ученые-компьютерщики, которые становятся следующим поколением робототехников, действительно лучше всего умеют абстрагировать ).
Результатом наилучшей иерархии является робото-агностицизм, когда некоторые исследования показали, что данные и методы могут работать на отдельных роботах с централизованным обучением. Вы можете просмотреть эти две статьи, чтобы узнать больше (обе эти статьи были очень хорошо приняты, и я твердо уверен, что это направление исследований продолжится): Глубокое обучение с подкреплением с помощью нескольких роботов с помощью иерархически интегрированных моделей или Sim-to -(Multi)-Real: Перенос политик низкоуровневого надежного управления на несколько квадрокоптеров. Поскольку многие робототехники застряли вдали от своих роботов в условиях изоляции, возможность обмена данными становится актуальной, а не просто интересной.
Данные и масштабирование
Возвращаясь к началу, вот как я рассматриваю две компании, которые я выделил:
При небольшом количестве роботов и небольшом количестве роботов, передающих свои данные в облако, это менее эффективно. Тем не менее, существует явная тенденция увеличения количества подключенных устройств, и Covariant начинает выглядеть совершенно по-другому, когда есть много систем, пытающихся решить множество сценариев.
Это не означает, что Covariant решит все проблемы в стеке восприятия и управления, но, скорее, будучи лучшим в своем классе для одной из проблем, их влияние и ценность будут суммироваться.
Удвоив усилия, этот подход может позволить новым робототехническим компаниям расти и развертываться быстрее. Например, компания с новым приводом и сценарием для решения (всегда есть новые приложения для роботов, просто иногда не хватает творчества) может использовать подключаемые части стека восприятия и управления, такие как API других компаний. Новому игроку не нужно будет собирать огромное количество данных, чтобы использовать зрение в своей новой среде, и это послужит улучшению игрока, которого они купили для любого компонента. Компании необходимо решить ранее отсутствовавшие подкомпоненты, а не создавать с нуля совершенно новую систему.
Горизонтальные, модульные компании получат большую часть ценности (как всегда происходит с цифровыми носителями), но быстро развивающиеся, новые вертикальные компании быстро развернутся и вернут захватывающее будущее роботов: мы можем сделать все, чтобы решить вашу проблему.
Я потратил много времени на создание нового веб-сайта, который станет домом для многих моих знаний и мыслей о машинном обучении и жизни в целом. "Это здесь."
Если вы хотите поддержать это: лайк, комментарий или обратитесь! Это впервые появилось на моем подстеке.
