迄今為止，大多數(shù)人工智能（AI）研究都集中在視覺(jué)方面。多虧了機(jī)器學(xué)習(xí)，尤其是深度學(xué)習(xí)，我們現(xiàn)在有了對(duì)周?chē)h(huán)境有很好的視覺(jué)理解的機(jī)器人和設(shè)備。但我們不要忘記，視覺(jué)只是人類(lèi)的一種生物感官。為了更好地模擬人類(lèi)智能的算法，研究人員現(xiàn)在將注意力集中在從感覺(jué)運(yùn)動(dòng)系統(tǒng)和觸覺(jué)反饋中獲取的數(shù)據(jù)集上。有了這種額外的感官，未來(lái)的機(jī)器人和人工智能設(shè)備將對(duì)它們的物理環(huán)境有更大的認(rèn)識(shí)，從而打開(kāi)新的用例和可能性。

人工智能系統(tǒng)

人工智能愛(ài)好者、技術(shù)專(zhuān)家、深度學(xué)習(xí)和神經(jīng)語(yǔ)言編程專(zhuān)家Somatic創(chuàng)始人賈森?托伊（Jason Toy）最近發(fā)起了一個(gè)項(xiàng)目，重點(diǎn)培訓(xùn)人工智能系統(tǒng)，使其能夠基于觸覺(jué)輸入與環(huán)境互動(dòng)。該項(xiàng)目名為SenseNet： 3D物體數(shù)據(jù)庫(kù)和觸覺(jué)模擬器，致力于將機(jī)器人對(duì)周?chē)h(huán)境的映射擴(kuò)展到視覺(jué)之外，包括輪廓、紋理、形狀、硬度和觸覺(jué)物體識(shí)別。

Toy最初的目標(biāo)是在感知運(yùn)動(dòng)系統(tǒng)和觸覺(jué)反饋方面創(chuàng)造一波人工智能研究浪潮。除此之外，他還設(shè)想，經(jīng)過(guò)人工訓(xùn)練的機(jī)器人最終將被用于開(kāi)發(fā)機(jī)器人手，用于工廠(chǎng)和配送中心，完成裝箱、零部件回收、訂單履行和分類(lèi)等工作。其他可能的應(yīng)用包括用于食品制備、家務(wù)和組件組裝的機(jī)械手。

機(jī)器人學(xué)和深度強(qiáng)化學(xué)習(xí)

SenseNet項(xiàng)目依賴(lài)于深度強(qiáng)化學(xué)習(xí)（deep reinforcement learning， RL），這是機(jī)器學(xué)習(xí)的一個(gè)分支，它借鑒了有監(jiān)督和無(wú)監(jiān)督的學(xué)習(xí)技術(shù)，依賴(lài)于一種基于監(jiān)控交互的獎(jiǎng)勵(lì)系統(tǒng)，以找到更好的方法迭代改進(jìn)結(jié)果。

許多人認(rèn)為，RL提供了一種開(kāi)發(fā)自主機(jī)器人的途徑，這種機(jī)器人可以在最少的人類(lèi)干預(yù)下掌握某些獨(dú)立行為。例如，對(duì)深度RL技術(shù)的初步評(píng)估表明，使用仿真技術(shù)開(kāi)發(fā)靈巧的3D操作技能是可能的，而不必手工創(chuàng)建表示。

使用SENSENET數(shù)據(jù)集

SenseNET及其支持資源旨在克服許多共同的挑戰(zhàn)

研究人員在從事基于觸控的人工智能項(xiàng)目時(shí)面臨的問(wèn)題。一個(gè)開(kāi)源的形狀數(shù)據(jù)集，其中大部分可以3D打印，以及一個(gè)觸摸模擬器，讓人工智能研究人員加快項(xiàng)目工作。圖1顯示了SenseNET數(shù)據(jù)集中包含的一些形狀的示例。

圖1：SenseNet 3D對(duì)象的例子。

GitHub＊上的SenseNet存儲(chǔ)庫(kù)提供了3D對(duì)象數(shù)據(jù)集之外的大量資源，包括培訓(xùn)示例、分類(lèi)測(cè)試、基準(zhǔn)測(cè)試、Python＊代碼示例等等。

通過(guò)添加一個(gè)模擬器，研究人員可以加載和操作這些對(duì)象，從而使數(shù)據(jù)集更加有用。Toy解釋說(shuō)：“我們?cè)谧訌椢锢硪嫔辖⒘艘粋€(gè)層。Bullet是一個(gè)廣泛應(yīng)用于游戲、電影以及最近的機(jī)器人和機(jī)器學(xué)習(xí)研究中的物理引擎。這是一個(gè)實(shí)時(shí)物理引擎，模擬軟硬體，碰撞檢測(cè)和重力。我們包括一個(gè)被稱(chēng)為MPL的機(jī)械手，它可以在手指中進(jìn)行全方位的運(yùn)動(dòng)，我們?cè)谑持讣舛饲度肓艘粋€(gè)觸摸傳感器，可以讓手模擬觸摸。圖2顯示了使用MPL支持的一些手勢(shì)。

圖2：SenseNet中可用的機(jī)器人手勢(shì)。

支持技術(shù)

為了加速訓(xùn)練和測(cè)試許多強(qiáng)化學(xué)習(xí)算法玩具使用英特爾的強(qiáng)化學(xué)習(xí)教練－機(jī)器學(xué)習(xí)測(cè)試框架。在Python＊環(huán)境中運(yùn)行，強(qiáng)化學(xué)習(xí)教練允許開(kāi)發(fā)人員建模代理和環(huán)境之間的交互，如圖3所示。

圖3：通過(guò)組合構(gòu)建塊來(lái)建模代理。

通過(guò)結(jié)合各種構(gòu)建模塊，提供可視化工具動(dòng)態(tài)顯示訓(xùn)練和測(cè)試結(jié)果，增強(qiáng)學(xué)習(xí)教練使訓(xùn)練過(guò)程更加有效，并支持在多個(gè)環(huán)境下對(duì)代理進(jìn)行測(cè)試。先進(jìn)的可視化工具，基于在訓(xùn)練序列中收集的數(shù)據(jù)，可以方便地通過(guò)Coach儀表板訪(fǎng)問(wèn)，并用于調(diào)試和優(yōu)化被訓(xùn)練的代理。

開(kāi)發(fā)人員的機(jī)會(huì)

至于其他開(kāi)發(fā)者的機(jī)會(huì)，Toy說(shuō)：“不要害怕打破常規(guī)。深度學(xué)習(xí)的熱潮主要集中在卷積神經(jīng)網(wǎng)絡(luò)（CNNs）和計(jì)算機(jī)視覺(jué)領(lǐng)域，因?yàn)檫@兩個(gè)領(lǐng)域的學(xué)習(xí)成果最多。“其他未被探索的領(lǐng)域在人工智能方面提供了洞見(jiàn)，有時(shí)還會(huì)帶來(lái)突破，而這些不太受歡迎的領(lǐng)域可能會(huì)引領(lǐng)人們走向有希望的方向。”

最后，Toy說(shuō)：“不要僅僅從數(shù)學(xué)和計(jì)算機(jī)科學(xué)的角度研究人工智能?？纯雌渌I(lǐng)域，比如計(jì)算神經(jīng)科學(xué)和認(rèn)知科學(xué)。”