Bebekler ilk birkaç ayını çevrelerinde yollarını nasıl bulacaklarını ve cisimleri nasıl kullanacaklarını öğrenmek için harcarlar. Bu konuda oldukça da yetenekliler. Örneğin kupa bardakların değişik şekil ve boyutlarda olmasına rağmen hepsinin de tutacakları olduğunu öğrenen bebekler benzetme yaparak sürahilerin de bu şekilde tutabileceklerine karar verirler.
Aynı şekilde gelecekteki kişisel robotunuz da bazı işleri gerçekleştirebilmek için bu şekilde genelleme yeteneğine ihtiyaç duyacak. Örneğin, bulaşıklarınızı bulaşık makinenize koymak için…
Cornell Üniversitesi Kişisel Robotik Laboratuarı’nda bilgisayar bilimleri uzmanı olarak çalışan Ashutosh Saxena’in yönettiği ekip, robotlara cisimleri kullanmayı ve yeni çevrelerde kendi yollarını bulmayı öğretiyor.
Ayrıntıları 2011 Robotik: Bilim ve Sistem Konfransı’nda sunulan araştırmanın ana teması olayları gözlemleyip benzerlikleri bulmayı planlayan bilgisayarlar kullanarak öğrenen makineler üretmek. Örneğin, doğru programlama ile bilgisayara geniş bir yelpazede kupaları inceletmek, kupaların ortak özelliklerini buldurmak ve gelecekte başka kupaları tanımasını sağlamak mümkün. Benzer bir süreç ile bir robota kupanın kolunu buldurmak ve onu düzgün bir şekilde tutması sağlanabiliyor.
Diğer araştırmacılar bu sonuçlara daha önce de ulaşılmıştı ama Saxena’nın ekibi önceki ekiplerden farklı olarak cisimleri tutma eylemine değil, onları yerleştirme eylemine odaklandılar. Cisimleri yerleştirmek, onları tutmaktan daha zor, çünkü cisimleri yerleştirmek için daha fazla seçenek var. Örneğin, bir kupayı masaya düz koyarız ancak bulaşık makinesine koymak istersek bunu ters yaparız. Öğrenebilen bir makine için bu yeni bir öğrenme sürecine karşılık geliyor.
Saxena bu durumu, “Biz robota sadece birkaç örnek gösteriyoruz ve o yerleştirme stratejilerini genelleştirmeyi öğreniyor. Öğrendiklerini daha önce görmediği cisimleri yerleştirmek için kullanıyor. Tabaklar ve kupaları uygun yerleştirmek için denge ve diğer ölçütleri öğreniyor ve kase gibi yeni bir cisim gördüğünde öğrendiklerini uyguluyor” diyerek açıklıyor.
İlk testlerde robotlar bulaşık makinasındaki düz yüzey, kadeh tutacağı, asma kancası, çatal bıçaıklık gibi bir çok bulaşık rafına tabak, kupa, martini bardağı, kase, baston şekerleme, disk, kaşık ve diyapozon gibi nesneleri doğru bir şekilde yerleştirebildiler. Robotlar bunu çevresini 3 boyutlu kamera ile gözlemleyerek ve uygun yerleştirme için rastgele sınamalarla yapıyor. Cisimleri yerleştirmek için desteklerin varlığını araştırıyor ve bir öncelik sırasına göre en iyi yerleştirmeyi tercih ediyor. Örneğin tabağı masaya koyarken yatay yerleştirmeyi tercih ederken, bulaşık makinasında tabağı dik yerleştirmeyi tercih ediyor.
İşin sırrı: 3 boyutlu bağlamsal ilişki
Tıpkı bir odaya girdiğimizde farkında olmadan nesneleri tanımladığımız gibi Saxena ve takımının geliştirdiği robot da aynı şekilde girdiği odayı tarayıp içindeki nesneleri tanımlıyor. 3 boyutlu kamerasıyla çektiği görüntüleri birleştirerek bütün odanın 3 boyutlu görüntüsünü oluşturuyor. Daha sonra nesneler arasındaki süreksizlikler ve mesafeyi değerlendirerek bütün odanın görüntüsünü bölümlere ayırıyor. Robotun bu işlemleri yapmasındaki amaç elde ettiği her bölümü ayrı ayrı etiketlemek.
Araştırmacılar bir robota çoğu nesnenin etiketlendiği 24 ofis ve 28 ev ortamı vererek onu eğitmeyi başardılar. Robotu yöneten bilgisayar renk, doku ve neyin ne kadar yakında olduğu gibi aynı etikete sahip olan nesnelerin karakteristiklerini inceleyerek ortak özelliklerinin ne olduğuna karar veriyor. Yeni bir ortamda ortamın 3 boyutlu görüntüsünden oluşturduğu bölümleri ve bölümler içinde ayırt ettiği nesneleri hafızasında tanımladığı en uygun nesnelerle karşılaştırıyor.
Takımın çalışmaların, bilim dünyasına getirdiği yenilik bir robota 3 boyutta bağlamsal ilişkileri öğretebilmek. Ev ortamlarında yapılan testlerde yüzde 83, ofis ortamlarında yapılan testler ise yüzde 88 başarıyla nesneleri tanımlayan robot. Son testinde hiç tanımadığı bir odada klavyeyi tanımlamayı başardı. Bağlamların robotlarına avantaj sağladığını söyleyen Saxene, bu durumu “Klavye görüntülerde sadece birkaç piksel içinde gözüküyor ama monitörü ise kolayca bulmuş. Bir klavyeyi bulmak için önce monitörü bulmak daha kolay olabilir. Çünkü klavyeler monitörlerin altında bulunur. İşte robotumuz bu bilgileri kullanarak klavyenin yerini belirleyebilmiş.” diyerek açıkladı.
Yine de Saxena’nın takımı çalışmalarındaki onca ilerlemeye rağmen almaları gereken çok yol olduğunu itiraf etti. Saxena bununla ilgili, 16 aylık bir bebek gibi hareket edebilen bir robot üretebilselerdi gerçekten çok mutlu olurum” dedi.
Cornell Laboratuvarlarında geliştirilen robotlar eğitimden geçtikten sonra daha önce gördükleri nesneleri eğitimi aldıkları çevrede yüzde 98 doğrulukta yerleştiriyorlar. Bu robotlar yeni bir çevrede karşılaştıkları yeni nesneleri ise yüzde 95 doğrulukla yerleştirebiliyorlar. Araştırmacılar daha uzun süren eğitimlerle performansın daha da artacağını söylüyorlar.
Kaynak: Science Daily
[box]
Konuk Yazar Hakkında: Duran Serkan Kılıç
İstanbul Teknik Üniversitesi Uzay Mühendisliği bölümünde öğrenci olan Duran Serkan Kılıç; bilişim, tarih, edebiyat ve felsefe ile ilgileniyor.[/box]
Yorum Ekle