AI e ML nella robotica<\/a> sono due facce della stessa medaglia: entrambe sono tecnologie che consentono ai robot di imparare dalle loro interazioni con l'ambiente che li circonda.<\/p>\n\n\n\nMolte persone pensano all'intelligenza artificiale come a un concetto di fantascienza, ma \u00e8 gi\u00e0 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.<\/p>\n\n\n\n
Attuali applicazioni dell'apprendimento automatico nella robotica<\/h2>\n\n\n\nApprendimento per imitazione<\/h3>\n\n\n\n
L'imitazione dell'apprendimento \u00e8 un tipo di approccio di apprendimento automatico che consente a un agente di apprendere dal comportamento di altri agenti o esseri umani. \u00c8 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 mobilit\u00e0 al di fuori di una fabbrica in settori come l'edilizia, l'agricoltura, la ricerca e il soccorso, l'esercito e altri, pu\u00f2 essere impegnativa.<\/p>\n\n\n\n
L'apprendimento per imitazione \u00e8 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 \u00e8 stata postulata per la prima volta nel 1999.<\/p>\n\n\n\n
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.<\/p>\n\n\n\n
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 ci\u00f2 \u00e8 il "balbettio motorio", dimostrato dal Language Acquisition and Robotics Group dell'Universit\u00e0 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. Ci\u00f2 semplifica la formulazione di soluzioni per compiti complessi in vari domini.<\/p>\n\n\n\n
Visione computerizzata<\/h3>\n\n\n\n
La visione artificiale \u00e8 un campo in rapida evoluzione che combina algoritmi informatici e hardware della fotocamera per consentire ai robot di elaborare dati fisici. Questa tecnologia \u00e8 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 capacit\u00e0 di un robot di influenzare fisicamente il suo ambiente.<\/p>\n\n\n\n
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 universit\u00e0 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 \u00e8 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.<\/p>\n\n\n\n
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 attivit\u00e0 con precisione e accuratezza senza precedenti.<\/p>\n\n\n\n
Tecnologie assistive e mediche<\/h3>\n\n\n\n
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 disabilit\u00e0, gli anziani e i pazienti nel mondo medico.<\/p>\n\n\n\n
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.<\/p>\n\n\n\n
Esempi pi\u00f9 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.<\/p>\n\n\n\n
La robotica basata sull'apprendimento automatico migliora significativamente la precisione chirurgica e l'affidabilit\u00e0 nel mondo medico. Lo Smart Tissue Autonomous Robot (STAR) \u00e8 una collaborazione tra ricercatori di diverse universit\u00e0 e una rete di medici pilotata attraverso il Children's National Health System in DC. STAR pu\u00f2 ricucire "intestino di maiale" con maggiore precisione e affidabilit\u00e0 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.<\/p>\n\n\n\n
Apprendimento auto-supervisionato<\/h3>\n\n\n\n
Apprendimento autocontrollato<\/a> \u00e8 un potente approccio di apprendimento automatico che pu\u00f2 avvantaggiare robot e altri dispositivi con accesso limitato a dati etichettati o la necessit\u00e0 di generare esempi di formazione per migliorare le prestazioni. Questo approccio \u00e8 stato utilizzato in varie applicazioni, tra cui il rilevamento di oggetti, l'analisi della scena e la modellazione dinamica del veicolo.<\/p>\n\n\n\nUn affascinante esempio di apprendimento autocontrollato in azione \u00e8 Watch-Bot, un robot sviluppato dai ricercatori della Cornell e della Stanford. Utilizzando una combinazione di sensori e metodi probabilistici, Watch-Bot \u00e8 in grado di rilevare i normali schemi di attivit\u00e0 umana e utilizzare un puntatore laser per ricordare agli umani attivit\u00e0 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 capacit\u00e0 attraverso un progetto chiamato RoboWatch.<\/p>\n\n\n\n
Un altro esempio di apprendimento auto-supervisionato nella robotica \u00e8 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 \u00e8 un'altra variante dell'apprendimento automatico che pu\u00f2 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 pu\u00f2 ridurre l'impatto degli errori del modello e accelerare il processo di apprendimento, come dimostrato dal team in un video manipolatore.<\/p>\n\n\n\n
Apprendimento multi-agente<\/h3>\n\n\n\n
L'apprendimento multi-agente \u00e8 una tecnica di apprendimento automatico che prevede il coordinamento e la negoziazione tra pi\u00f9 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 \u00e8 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.<\/p>\n\n\n\n
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 pi\u00f9 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 pi\u00f9 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.<\/p>\n\n\n\n
L'apprendimento multi-agente ha il potenziale per essere utilizzato in diverse applicazioni, inclusi veicoli terrestri e aerei autonomi. Questo approccio pu\u00f2 portare a prestazioni pi\u00f9 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.<\/p>\n\n\n\n
Applicazione dell'apprendimento automatico e dell'intelligenza artificiale alla robotica in vari settori<\/h2>\n\n\n\n
La robotica pu\u00f2 essere applicata in vari settori, come l'agricoltura, la sanit\u00e0, la produzione, la logistica e cos\u00ec via. <\/p>\n\n\n\n
- Agricoltura:<\/strong> L'uso di droni per l'ispezione delle colture \u00e8 diventato molto comune al giorno d'oggi. Questi droni sono dotati di sensori che misurano diversi parametri come il contenuto di umidit\u00e0 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.<\/li>
- Assistenza sanitaria:<\/strong> 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 \u00e8 stata implementata con successo presso Highland Hospital Partners, il pi\u00f9 grande gruppo ospedaliero scozzese. Si basa sulla sua capacit\u00e0 di leggere le cartelle cliniche pi\u00f9 velocemente di quanto possa fare qualsiasi medico umano (Watson \u00e8 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 \u00e8 pi\u00f9 alto tra gli operatori sanitari rispetto a qualsiasi altro settore verticale (60%), seguito dai servizi finanziari (52%).<\/li>
- Produzione:<\/strong> Il settore manifatturiero \u00e8 una delle industrie pi\u00f9 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 aiuter\u00e0 i lavoratori umani a svolgere attivit\u00e0 ripetitive come raccogliere parti dai cassonetti o saldarle insieme con una supervisione minima.<\/li>
- La logistica:<\/strong> 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". Aiuter\u00e0 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 pi\u00f9 velocemente).<\/li>
- Formazione scolastica:<\/strong> I robot basati sull'intelligenza artificiale vengono utilizzati per una variet\u00e0 di scopi nell'istruzione. Ad esempio, i robot vengono utilizzati per aiutare gli insegnanti a valutare saggi e documenti in modo pi\u00f9 rapido e accurato che mai. Possono anche essere utilizzati in classe per insegnare ai bambini importanti abilit\u00e0 di vita come cucinare o pulire dopo se stessi.<\/li><\/ul>\n\n\n\n
Il futuro dell'intelligenza artificiale e dell'apprendimento automatico nella robotica<\/h2>\n\n\n\n
Come abbiamo visto, AI e ML sono applicati alla robotica da molti anni. La tecnologia \u00e8 in continua evoluzione, aprendo la porta a nuovi modi per portare AI e ML nel mondo della robotica. Ci\u00f2 significa che \u00e8 del tutto possibile che vedrai AI e ML utilizzati in modi a cui non hai ancora pensato!<\/p>\n\n\n\n
L'intelligenza artificiale e il machine learning possono essere applicati alla robotica in molti pi\u00f9 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 abilit\u00e0 pi\u00f9 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!<\/p>\n\n\n\n
Conclusione<\/h2>\n\n\n\n
Ora comprendi chiaramente il ruolo dell'intelligenza artificiale e dell'apprendimento automatico nella robotica. Sono gi\u00e0 in uso e lo saranno ancora di pi\u00f9 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 pi\u00f9 in futuro man mano che la tecnologia avanza ulteriormente.<\/p>\n\n\n\n
Sorgente video: Sito ufficiale dell'Amministrazione nazionale per l'aeronautica e lo spazio<\/a><\/strong><\/p>\n\n\n\n
\n\n\n\n\n\n\n\nDomande e risposte sull'apprendimento automatico nella robotica<\/h2>","protected":false},"excerpt":{"rendered":"
Una recente ricerca di Google ha dimostrato che l'intelligenza artificiale e l'apprendimento automatico sono tra i campi pi\u00f9 caldi dell'ingegneria. Si prevede che il futuro della robotica si baser\u00e0 sulle tecnologie AI e Machine Learning. Tuttavia, questo articolo \u00e8 qui per evidenziare come queste due tecnologie possono essere applicate alla robotica oggi. Intelligenza Artificiale, Machine Learning e [\u2026]<\/p>","protected":false},"author":1,"featured_media":2987,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"none"},"categories":[45,46,68,70],"tags":[],"_links":{"self":[{"href":"https:\/\/rfidunion.com\/it\/wp-json\/wp\/v2\/posts\/2976"}],"collection":[{"href":"https:\/\/rfidunion.com\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/rfidunion.com\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/rfidunion.com\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/rfidunion.com\/it\/wp-json\/wp\/v2\/comments?post=2976"}],"version-history":[{"count":0,"href":"https:\/\/rfidunion.com\/it\/wp-json\/wp\/v2\/posts\/2976\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/rfidunion.com\/it\/wp-json\/wp\/v2\/media\/2987"}],"wp:attachment":[{"href":"https:\/\/rfidunion.com\/it\/wp-json\/wp\/v2\/media?parent=2976"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/rfidunion.com\/it\/wp-json\/wp\/v2\/categories?post=2976"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/rfidunion.com\/it\/wp-json\/wp\/v2\/tags?post=2976"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}