Ruolo dell'intelligenza artificiale e dell'apprendimento automatico nella robotica

Una recente ricerca di Google ha dimostrato che l'intelligenza artificiale e l'apprendimento automatico sono tra i campi più caldi dell'ingegneria. Si prevede che il futuro della robotica farà affidamento su Tecnologie di AI e Machine Learning. Tuttavia, questo articolo è qui per evidenziare come queste due tecnologie possono essere applicate alla robotica oggi.

Intelligenza Artificiale, Machine Learning e Robotica

Cos'è l'Intelligenza Artificiale?

Intelligenza artificiale (AI) è un campo dell'informatica che coinvolge lo studio di agenti intelligenti: qualsiasi dispositivo che percepisce il suo ambiente e intraprende azioni che massimizzano le sue possibilità di successo in qualche obiettivo. I sistemi di intelligenza artificiale vengono utilizzati per prendere decisioni complesse in condizioni incerte e sono in grado di apprendere dall'esperienza. Alcuni esempi includono visione artificiale, riconoscimento vocale, elaborazione del linguaggio naturale (PNL), pianificazione e processo decisionale.

L'intelligenza artificiale è stata definita come "lo studio e la progettazione di agenti intelligenti", dove un agente intelligente è un sistema che percepisce il suo ambiente e intraprende azioni per raggiungere gli obiettivi. Gli obiettivi possono essere specifici o inferenziali; ad esempio, l'operatore può considerare il proprio compito completato quando tutte le minacce alla sicurezza sono state eliminate o fino a quando tutti i compiti prioritari non sono stati completati.

Cos'è l'apprendimento automatico?

L'apprendimento automatico è una forma di intelligenza artificiale (AI) e un sottoinsieme della scienza dei dati. Nell'apprendimento automatico, i computer sono "addestrati" per imparare dai dati; il processo può includere tecniche come modellazione statistica, riconoscimento di modelli e previsione. Il nome machine learning ha avuto origine da Arthur Samuel, che lo ha inventato nel 1959. Successivamente, altri ricercatori si sono uniti in quest'area e hanno formato una nuova disciplina accademica che da allora è cresciuta.

L'apprendimento automatico esplora lo studio e la costruzione di algoritmi in grado di apprendere dai dati, ovvero aumentare la loro accuratezza o prestazioni con l'esperienza nel tempo senza essere esplicitamente programmati (ad esempio, da un essere umano) per farlo. Il campo è stato originariamente chiamato programmazione logica induttiva (ILP) da Stuart Meehl. Ma molti altri preferivano sistemi di tutoraggio intelligenti o sistemi basati sulla conoscenza. Questi sistemi si sono evoluti in moderni sistemi esperti. Producono regole legate a condizioni e azioni predeterminate rilevate in fase di esecuzione o quando le azioni vengono attivate esternamente per l'esecuzione da sensori che monitorano i cambiamenti nello stato del sistema. Questi eventi sono causati da cause di input, come eventi timer che si verificano dopo che è trascorso un certo intervallo di tempo dall'ultima attivazione per riprendere nuovamente l'esecuzione della modalità di riproduzione. Il ciclo/iterazione successivo si riavvia una volta al secondo, ecc.

Il campo dell'apprendimento automatico ha sviluppato una vasta gamma di algoritmi altamente efficaci, spesso basati su analisi e ottimizzazione statistiche. Questi algoritmi sono utilizzati per le applicazioni:

• Estrazione delle caratteristiche (ad esempio, il rilevamento automatico delle cellule tumorali), 
• Riconoscimento del modello (ad esempio, identificazione del volto), 
• Data mining (p. es., scoprire nuove associazioni tra diverse variabili in grandi insiemi di dati), 
• Analisi predittiva (ad esempio, stima dei risultati futuri sulla base di modelli storici).

Come definiamo la robotica?

Per chi non conoscesse il termine Robotica, si tratta di una branca dell'ingegneria che si occupa di robot. La parola robot deriva dalla parola cecoslovacca "robot", che significa lavoro forzato. I robot sono automi che funzionano secondo istruzioni pre-programmate e possono eseguire compiti automaticamente senza la supervisione umana. Possono anche essere programmati per interagire con l'ambiente e prendere decisioni in base alle loro osservazioni.

Un robot può essere definito come un sistema elettromeccanico che svolge determinati compiti sotto il controllo di un programma per computer memorizzato nella sua memoria (ad esempio, un personal computer o un PLC). Il programma lo dirige nello svolgimento della sua missione dirigendo le sue azioni attraverso sensori collegati alle sue unità di input sensoriali e dispositivi attuatori per manipolare oggetti nel suo ambiente attraverso attuatori collegati alle sue unità di output effettrici (ad esempio, motori).

Come funziona il machine learning nella robotica?

L'apprendimento automatico è un sottoinsieme dell'intelligenza artificiale che utilizza i dati per addestrarsi. Un algoritmo di apprendimento automatico (MLA) analizza le esperienze passate e fa previsioni basate su tali esperienze. Ciò significa che gli MLA vengono utilizzati per imparare dall'esperienza, il che consente loro di prendere decisioni senza essere esplicitamente programmati per loro.

Gli MLA possono essere utilizzati in robotica per qualsiasi attività in cui il robot deve imparare dalla propria esperienza, tra cui:

• Imparare a conoscere il suo ambiente nel tempo in modo che possa navigare attraverso nuovi spazi in modo più efficace.
• Fare previsioni sullo stato futuro del suo ambiente sulla base di documenti storici.
• Decidere quali azioni consentiranno di raggiungere meglio un determinato obiettivo.

Come funziona l'intelligenza artificiale nella robotica?

L'intelligenza artificiale è un programma per computer in grado di apprendere, adattarsi e migliorare le sue prestazioni nel tempo. Questo è uno dei concetti più importanti della robotica e dell'apprendimento automatico.

L'intelligenza artificiale viene utilizzata per alimentare i robot. Consente loro di eseguire compiti in modo efficace senza essere programmati esplicitamente dagli esseri umani. Ad esempio, se un veicolo autonomo su strada non avesse l'intelligenza artificiale, potrebbe solo guidare dritto o eseguire manovre molto semplici come svoltare a destra oa sinistra agli incroci. Tuttavia, con l'intelligenza artificiale installata in questo veicolo, sarebbe in grado di navigare in ambienti complessi. Come edifici e altri percorsi con facilità perché capisce dove sta andando in base alle informazioni che riceve dai suoi sensori (come il GPS) e dalle telecamere montate sulla parte superiore della carrozzeria stessa.

Come si è sviluppata l'intelligenza robotica negli ultimi decenni?

L'intelligenza robotica è stata sviluppata negli anni '50 da Ross Ashby, un cibernetico britannico. Prima di allora, gli ingegneri usavano regole fisse per le loro macchine basate sulla loro esperienza e intuizione. Ashby ha utilizzato modelli matematici per creare una macchina intelligente in grado di apprendere dal suo ambiente e prendere decisioni basate su esperienze passate. Questo approccio ha portato allo sviluppo di reti neurali e simulazioni al computer del funzionamento del cervello umano.

Il primo robot industriale è stato prodotto da Unimation nel 1961. Potrebbe eseguire compiti semplici come caricare e scaricare scatole su un nastro trasportatore a una velocità di 40 all'ora utilizzando due dita controllate dal vuoto per mano (il numero totale di dita è quattro) . Nel 1974 oltre 30.000 robot lavoravano nelle fabbriche di tutto il mondo!

Intelligenza Artificiale e Machine Learning in Robotica

Puoi pensare all'intelligenza artificiale e all'apprendimento automatico come tecnologie che aiutano i robot a svolgere compiti meglio di quanto potrebbero fare senza la tecnologia. AI e ML nella robotica sono due facce della stessa medaglia: entrambe sono tecnologie che consentono ai robot di imparare dalle loro interazioni con l'ambiente che li circonda.

Molte persone pensano all'intelligenza artificiale come a un concetto di fantascienza, ma è già utilizzata in molti aspetti della nostra vita quotidiana. Ad esempio, Siri sul tuo iPhone utilizza algoritmi di riconoscimento vocale e elaborazione del linguaggio naturale (NLP) per capire cosa dici e rispondere in modo appropriato. Alexa su Amazon Echos utilizza la PNL per comprendere le domande degli utenti, come "Che tempo fa?" o "Raccontami una barzelletta". Google Translate utilizza nuovamente gli algoritmi NLP per tradurre il testo in un'altra lingua come il tedesco o il francese.

Attuali applicazioni dell'apprendimento automatico nella robotica

Apprendimento per imitazione

L'imitazione dell'apprendimento è un tipo di approccio di apprendimento automatico che consente a un agente di apprendere dal comportamento di altri agenti o esseri umani. È strettamente correlato all'apprendimento osservativo, un comportamento esibito da neonati e bambini piccoli. Nell'apprendimento per imitazione, un agente impara a imitare il comportamento di un insegnante, che dimostra il comportamento desiderato. Questo approccio viene spesso utilizzato nella robotica, dove la programmazione manuale di soluzioni robotiche per la mobilità al di fuori di una fabbrica in settori come l'edilizia, l'agricoltura, la ricerca e il soccorso, l'esercito e altri, può essere impegnativa.

L'apprendimento per imitazione è una categoria ombrello per l'apprendimento per rinforzo. Implica convincere un agente ad agire nel mondo per massimizzare le sue ricompense. I modelli bayesiani o probabilistici sono spesso usati nell'apprendimento per imitazione, che aiuta l'agente ad apprendere una politica che mappa gli stati alle azioni. La questione se l'apprendimento per imitazione potesse essere utilizzato per robot simili a umanoidi è stata postulata per la prima volta nel 1999.

I ricercatori hanno utilizzato l'apprendimento per imitazione per sviluppare robot in grado di svolgere vari compiti, tra cui afferrare oggetti, camminare e navigare su terreni fuoristrada. Ad esempio, CMU ha applicato metodi di controllo ottimale inverso per sviluppare robotica umanoide, locomozione con le gambe e navigatori mobili fuoristrada fuoristrada. Un video pubblicato due anni fa dai ricercatori dell'Arizona State University mostra un robot umanoide che utilizza l'apprendimento per imitazione per acquisire diverse tecniche di presa.

Le reti di credenze bayesiane sono state applicate anche ai modelli di apprendimento avanzato, in cui un robot apprende senza una conoscenza preliminare del suo sistema motorio o dell'ambiente esterno. Un esempio di ciò è il "balbettio motorio", dimostrato dal Language Acquisition and Robotics Group dell'Università dell'Illinois a Urbana-Champaign (UIUC) con Bert, il robot umanoide "iCub". I robot possono utilizzare l'apprendimento per imitazione dalle azioni degli esseri umani o di altri agenti. Ciò semplifica la formulazione di soluzioni per compiti complessi in vari domini.

Visione computerizzata

La visione artificiale è un campo in rapida evoluzione che combina algoritmi informatici e hardware della fotocamera per consentire ai robot di elaborare dati fisici. Questa tecnologia è essenziale per la guida dei robot e i sistemi di ispezione automatica e ha numerose applicazioni, tra cui l'identificazione e lo smistamento degli oggetti. Mentre la visione artificiale, la visione artificiale e la visione robotica sono spesso utilizzate in modo intercambiabile, la visione robotica comprende la calibrazione del frame di riferimento e la capacità di un robot di influenzare fisicamente il suo ambiente.

I recenti progressi nella visione artificiale sono stati alimentati dall'afflusso di big data, tra cui foto e video annotati ed etichettati disponibili sul web. Le tecniche di apprendimento predittivo strutturato basate sull'apprendimento automatico presso università come la Carnegie Mellon sono state determinanti nello sviluppo di applicazioni di visione artificiale come l'identificazione e l'ordinamento degli oggetti. Un esempio di una recente svolta è l'utilizzo dell'apprendimento non supervisionato per il rilevamento delle anomalie, che prevede la costruzione di sistemi in grado di trovare e valutare i guasti nei wafer di silicio utilizzando reti neurali convoluzionali.

Lo sviluppo di tecnologie extrasensoriali come radar e ultrasuoni sta guidando la creazione di sistemi basati sulla visione a 360 gradi per veicoli autonomi e droni. Aziende come Nvidia sono all'avanguardia in questa tecnologia, che viene utilizzata per migliorare la precisione e la sicurezza di veicoli autonomi e droni. Combinando la visione artificiale con le tecnologie extrasensoriali, i ricercatori stanno creando sistemi in grado di rilevare ed evitare ostacoli, navigare in ambienti complessi ed eseguire varie altre attività con precisione e accuratezza senza precedenti.

Tecnologie assistive e mediche

Le tecnologie assistive e mediche sono aree in cui la robotica basata sull'apprendimento automatico ha compiuto progressi significativi. Queste tecnologie sono progettate per avvantaggiare le persone con disabilità, gli anziani e i pazienti nel mondo medico.

I robot assistivi possono percepire, elaborare informazioni sensoriali ed eseguire azioni utili alle persone. A causa dei limiti di costo, i robot per la terapia del movimento, che forniscono vantaggi diagnostici o terapeutici, sono ancora in gran parte confinati al laboratorio. Esempi di prime tecnologie assistive includono il DeVAR sviluppato nei primi anni '90.

Esempi più recenti di tecnologie assistive robotiche basate sull'apprendimento automatico includono il braccio robotico MICO sviluppato presso la Northwestern University. Questo braccio utilizza un sensore Kinect per osservare il mondo e adattarsi alle esigenze dell'utente con parziale autonomia, ovvero una condivisione del controllo tra il robot e l'uomo.

La robotica basata sull'apprendimento automatico migliora significativamente la precisione chirurgica e l'affidabilità nel mondo medico. Lo Smart Tissue Autonomous Robot (STAR) è una collaborazione tra ricercatori di diverse università e una rete di medici pilotati attraverso il Children's National Health System in DC. STAR può ricucire "intestino di maiale" con maggiore precisione e affidabilità rispetto ai migliori chirurghi umani. Pur non essendo destinato a sostituire i chirurghi umani, STAR offre vantaggi significativi nell'esecuzione di tipi simili di interventi chirurgici delicati.

Apprendimento auto-supervisionato

Apprendimento autocontrollato è un potente approccio di apprendimento automatico che può avvantaggiare robot e altri dispositivi con accesso limitato a dati etichettati o la necessità di generare esempi di formazione per migliorare le prestazioni. Questo approccio è stato utilizzato in varie applicazioni, tra cui il rilevamento di oggetti, l'analisi della scena e la modellazione dinamica del veicolo.

Un affascinante esempio di apprendimento autocontrollato in azione è Watch-Bot, un robot sviluppato dai ricercatori della Cornell e della Stanford. Utilizzando una combinazione di sensori e metodi probabilistici, Watch-Bot è in grado di rilevare i normali schemi di attività umana e utilizzare un puntatore laser per ricordare agli umani attività come rimettere il latte nel frigorifero. Nei test iniziali, Watch-Bot ha ricordato con successo il tempo agli umani 60% e i ricercatori hanno continuato a migliorare le sue capacità attraverso un progetto chiamato RoboWatch.

Un altro esempio di apprendimento auto-supervisionato nella robotica è un algoritmo di rilevamento stradale sviluppato al MIT per veicoli autonomi e altri robot mobili. Questo algoritmo utilizza una telecamera frontale e un modello di distribuzione probabilistica per identificare strade e ostacoli sul percorso.
Oltre all'apprendimento auto-supervisionato, l'apprendimento autonomo è un'altra variante dell'apprendimento automatico che può avvantaggiare robot e altri dispositivi autonomi. Un approccio, sviluppato da un team dell'Imperial College di Londra, utilizza l'apprendimento approfondito e metodi non supervisionati per incorporare l'incertezza del modello nella pianificazione a lungo termine e nell'apprendimento del controllore. Questo approccio di apprendimento automatico statistico può ridurre l'impatto degli errori del modello e accelerare il processo di apprendimento, come dimostrato dal team in un video manipolatore.

Apprendimento multi-agente

L'apprendimento multi-agente è una tecnica di apprendimento automatico che prevede il coordinamento e la negoziazione tra più robot o agenti per raggiungere un obiettivo comune. Le strategie di equilibrio vengono trovate attraverso algoritmi di apprendimento che consentono agli agenti di adattarsi a un ambiente in evoluzione. Un esempio di questo approccio è l'utilizzo di strumenti di apprendimento senza rimpianti, che utilizzano algoritmi ponderati per migliorare i risultati della pianificazione multi-agente e l'apprendimento in sistemi di controllo distribuiti basati sul mercato.

Il Lab for Information and Decision Systems del MIT ha sviluppato un esempio concreto di algoritmo distribuito per consentire ai robot di collaborare e costruire un modello di apprendimento più inclusivo. I robot esplorano un edificio e la disposizione delle sue stanze, costruendo ciascuno il proprio catalogo, che viene combinato per creare una base di conoscenza. Questo approccio consente ai robot di elaborare blocchi di informazioni più piccoli e ottenere risultati migliori quando lavorano insieme rispetto a un singolo robot. Sebbene non sia perfetto, questo tipo di approccio di apprendimento automatico consente ai robot di rafforzare le osservazioni reciproche, confrontare cataloghi o set di dati e correggere omissioni o generalizzazioni eccessive.

L'apprendimento multi-agente ha il potenziale per essere utilizzato in diverse applicazioni, inclusi veicoli terrestri e aerei autonomi. Questo approccio può portare a prestazioni più efficienti ed efficaci facendo in modo che i robot comunichino e cooperino per raggiungere un obiettivo comune. Tuttavia, sono necessarie ulteriori ricerche e sviluppi per ottimizzare questa tecnica per l'uso nel mondo reale.

Applicazione dell'apprendimento automatico e dell'intelligenza artificiale alla robotica in vari settori

La robotica può essere applicata in vari settori, come l'agricoltura, la sanità, la produzione, la logistica e così via. 

• Agricoltura: L'uso di droni per l'ispezione delle colture è diventato molto comune al giorno d'oggi. Questi droni sono dotati di sensori che misurano diversi parametri come il contenuto di umidità del suolo, i livelli di fertilizzante, ecc. I dati raccolti da questi sensori vengono inviati al server, dove un algoritmo li analizza e invia suggerimenti o avvisi agli agricoltori tramite SMS o app mobile notifiche basate sulle loro colture/condizioni della superficie.
• Assistenza sanitaria: I robot basati sull'intelligenza artificiale vengono utilizzati negli ospedali di tutto il mondo per vari scopi, come assistere i medici durante le procedure chirurgiche o diagnosticare i pazienti mediante la scansione di immagini prelevate da macchine per la risonanza magnetica. Ad esempio, la piattaforma Watson di intelligenza artificiale di IBM è stata implementata con successo presso Highland Hospital Partners, il più grande gruppo ospedaliero della Scozia. Si basa sulla sua capacità di leggere le cartelle cliniche più velocemente di quanto possa fare qualsiasi medico umano (Watson è stato in grado di leggere 1 milione di pagine in 10 minuti). La ricerca condotta dal sondaggio Accenture Strategy Limited afferma che il tasso di adozione delle iniziative di trasformazione digitale è più alto tra gli operatori sanitari rispetto a qualsiasi altro settore verticale (60%), seguito dai servizi finanziari (52%).
• Produzione: Il settore manifatturiero è una delle industrie più importanti in qualsiasi paese. I robot basati sull'intelligenza artificiale vengono utilizzati per automatizzare i processi di produzione e aumentare l'efficienza. Ad esempio, General Motors ha recentemente lanciato un nuovo robot chiamato "Baxter", che aiuterà i lavoratori umani a svolgere attività ripetitive come raccogliere parti dai cassonetti o saldarle insieme con una supervisione minima.
• La logistica: I robot basati sull'intelligenza artificiale vengono utilizzati per ottimizzare i processi logistici e ridurre i costi. Ad esempio, DHL ha lanciato un nuovo robot basato sull'intelligenza artificiale chiamato "PakBot". Aiuterà i lavoratori umani a scansionare i pacchi, imballare gli articoli in scatole ed etichettarli con codici a barre per ridurre il tempo necessario per spedire i prodotti in tutto il mondo (questo dovrebbe anche garantire che i clienti ricevano i loro ordini più velocemente).
• Formazione scolastica: I robot basati sull'intelligenza artificiale vengono utilizzati per una varietà di scopi nell'istruzione. Ad esempio, i robot vengono utilizzati per aiutare gli insegnanti a valutare saggi e documenti in modo più rapido e accurato che mai. Possono anche essere utilizzati in classe per insegnare ai bambini importanti abilità di vita come cucinare o pulire dopo se stessi.

Il futuro dell'intelligenza artificiale e dell'apprendimento automatico nella robotica

Come abbiamo visto, AI e ML sono applicati alla robotica da molti anni. La tecnologia è in continua evoluzione, aprendo la porta a nuovi modi per portare AI e ML nel mondo della robotica. Ciò significa che è del tutto possibile che vedrai AI e ML utilizzati in modi a cui non hai ancora pensato!

L'intelligenza artificiale e il machine learning possono essere applicati alla robotica in molti più settori oltre alla semplice produzione o all'assistenza sanitaria, oltre che in modi diversi da quelli discussi qui. Ad esempio, i ricercatori stanno esaminando come potrebbero essere in grado di utilizzare algoritmi di apprendimento automatico basati su tecniche di apprendimento approfondito per insegnare ai robot nuove abilità più velocemente che mai. Uno di questi studi ha scoperto che i computer potrebbero imparare a riconoscere gli oggetti intorno a loro dopo aver visto gli umani farlo solo una volta: qualcosa che normalmente richiede agli umani ore o giorni!

Conclusione

Ora comprendi chiaramente il ruolo dell'intelligenza artificiale e dell'apprendimento automatico nella robotica. Sono già in uso e lo saranno ancora di più in futuro. Sono utilizzati in tutti gli aspetti della robotica, anche se non sono necessari per ogni parte della funzione di un robot. E probabilmente verranno utilizzati di più in futuro man mano che la tecnologia avanza ulteriormente.

Sorgente video: Sito ufficiale dell'Amministrazione nazionale per l'aeronautica e lo spazio

---

Domande e risposte sull'apprendimento automatico nella robotica

1. Quali sono alcuni esempi di applicazioni di machine learning in robotica?

   Esempi di applicazioni di apprendimento automatico nella robotica includono il riconoscimento di oggetti, la pianificazione del percorso, la navigazione, il controllo e la percezione. Viene anche utilizzato nell'apprendimento auto-supervisionato, nelle tecnologie assistive e mediche, nell'apprendimento multi-agente e nell'apprendimento per rinforzo.

2. In che modo l'apprendimento automatico può migliorare le prestazioni dei robot?

   L'apprendimento automatico può migliorare le prestazioni dei robot consentendo loro di apprendere dai dati e dall'esperienza. Può adattarsi a nuove situazioni e prendere decisioni intelligenti in base alle informazioni raccolte. Ciò può portare a una migliore precisione, efficienza e robustezza del comportamento del robot.

3. Come viene utilizzato l'apprendimento automatico nei veicoli autonomi?

   L'apprendimento automatico viene utilizzato nei veicoli autonomi per consentire loro di prendere decisioni basate su dati sensoriali, pianificare percorsi e navigare in ambienti complessi. Viene anche utilizzato per il rilevamento e il riconoscimento di oggetti, la previsione del comportamento e il processo decisionale.

4. Cos'è l'apprendimento per rinforzo in robotica?

   L'apprendimento per rinforzo in robotica è un tipo di tecnica di apprendimento automatico che prevede l'addestramento dei robot all'apprendimento per tentativi ed errori. Il robot riceve feedback sotto forma di premi o penalità in base alle sue azioni e impara a ottimizzare il suo comportamento per massimizzare la sua ricompensa.

5. Che cos'è l'apprendimento autosupervisionato in robotica?

   L'apprendimento autosupervisionato in robotica è un tipo di tecnica di apprendimento automatico che consente ai robot di generare i propri dati di addestramento imparando dal loro ambiente. Ciò può includere l'utilizzo di conoscenze precedenti e dati acquisiti dai sensori per interpretare i dati dei sensori ambigui a lungo raggio.

6. In che modo l'apprendimento automatico viene utilizzato nelle tecnologie assistive e mediche?

   L'apprendimento automatico viene utilizzato nelle tecnologie assistive e mediche per migliorare le prestazioni e l'affidabilità dei sistemi robotici per le persone con disabilità e condizioni mediche. Viene utilizzato per la terapia del movimento, la chirurgia autonoma, gli scopi diagnostici e terapeutici.