MIT пытается улучшить бытовые роботы с алгоритмом обнаружения объектов

Новый алгоритм может пусть роботы более точно идентифицируют и обрабатывают объекты вокруг них, делая их более полезными при выполнении домашних задач.

Алгоритм, разработанный исследователями Массачусетского технологического института и обсужденный в опубликованной в понедельник статье, позволяет роботам собирать несколько точек зрения объекта , быстро агрегируйте эти изображения, а затем используйте эту информацию для идентификации объекта в соответствии со школой.

Но не ожидайте, что алгоритм поможет роботу очистить тарелки и очки от стола только что, сказал Лоусон Вонг, выпускник студент по электротехнике и информатике, а также ведущий автор статьи. «Как и сейчас, это еще далеко от коммерциализации», - сказал он.

Улучшение обнаружения объектов - это всего лишь один шаг в оснащении роботов для завершения работы дома.

Для того, чтобы роботы могли выполнять полезные задачи дома, они чтобы узнать больше, чем просто, сколько чашек и тарелок стоит на столе, сказал он. Например, если робот использовался для приготовления еды, он также должен был бы знать, какую температуру нужно приготовить для пищи или где найти ингредиенты рецепта.

Тем не менее, алгоритм может в конечном итоге помочь программному обеспечению лучше вычислить изменения, которые происходят в доме, когда люди перемещают объекты и добавляют или удаляют элементы.

«Используемое нами программное обеспечение не позволяет нам захватывать объекты, которые движутся со временем», - сказал Вонг.

Многоспектральные алгоритмы позволяют роботу идентифицировать в соответствии с исследователями, до четырех раз больше объектов, чем это возможно, с использованием одной перспективы, и эти алгоритмы также помогают уменьшить ошибочные идентификаторы.

«Если вы запустите [изображения] через стандартное обнаружение, вы пропустите много объектов », - сказал Вонг.

Алгоритм также успешно справился с недостатком многоспектрального подхода: он может оказаться трудоемким, поскольку он экспоненциально увеличивает количество вычислений, которые должен выполнять робот, часто предотвращая робот от комплектующие Задачи довольно быстро.

Исследователи отметили, что детекторы объектов часто терпят неудачу, хотя распознавание объектов является одной из наиболее изученных тем в искусственном интеллекте.