ロボティクスにおけるAI・機械学習の役割

Google による最近の調査では、人工知能と機械学習がエンジニアリングの最もホットな分野の 1 つであることが示されました。ロボット工学の未来はこれに依存すると予測されています AI および機械学習技術.ただし、この記事では、これら 2 つのテクノロジを今日のロボット工学にどのように適用できるかを強調しています。

人工知能、機械学習、ロボティクス

人工知能とは？

人工知能 (AI) は、インテリジェント エージェントの研究を含むコンピューター サイエンスの分野です。インテリジェント エージェントとは、その環境を認識し、何らかの目標で成功する可能性を最大化するアクションを実行するデバイスです。 AI システムは、不確実な状況下で複雑な決定を下すために使用され、経験から学習することができます。例としては、コンピューター ビジョン、音声認識、自然言語処理 (NLP)、計画、意思決定などがあります。

AI は「インテリジェント エージェントの研究と設計」と定義されています。インテリジェント エージェントとは、環境を認識し、目標を達成するために行動を起こすシステムです。目標は、具体的または推測的なものにすることができます。たとえば、オペレーターは、すべてのセキュリティ上の脅威が排除されたとき、またはすべての優先タスクが完了するまで、自分のタスクが完了したと見なす場合があります。

機械学習とは

機械学習は、人工知能 (AI) の一形態であり、データ サイエンスのサブセットです。機械学習では、コンピューターはデータから学習するように「訓練」されます。このプロセスには、統計モデリング、パターン認識、予測などの手法を含めることができます。機械学習という名前は、1959 年に考案されたアーサー サミュエルに由来します。その後、他の研究者がこの分野に加わり、それ以来成長してきた新しい学問分野を形成しました。

機械学習は、データから学習できるアルゴリズムの研究と構築を探求します。つまり、(人間によって) 明示的にプログラムされることなく、時間をかけて経験を積むことで精度やパフォーマンスを向上させることができます。この分野は、もともと Stuart Meehl によって帰納的論理プログラミング (ILP) と呼ばれていました。しかし、他の多くの人は、インテリジェントな個別指導システムまたは知識ベースのシステムを好みました。これらのシステムは、最新のエキスパート システムに進化しました。それらは、実行時またはシステム状態の変化を監視するセンサーによって実行のためにアクションが外部でトリガーされたときに、事前に定義された条件とアクションに関連付けられたルールを生成します。これらのイベントは、最後の起動から一定の時間間隔が経過した後に発生するタイマー イベントなどの入力要因によって発生し、再生モードの実行が再開されます。次のサイクル/反復は 1 秒に 1 回再開されます。

機械学習の分野では、多くの場合、統計分析と最適化に基づいた、非常に効果的なアルゴリズムが幅広く開発されています。これらのアルゴリズムは、アプリケーションに使用されます。

• 特徴抽出（がん細胞の自動検出など） 
• パターン認識（例：顔識別）、 
• データマイニング (例えば、大規模なデータセット内の異なる変数間の新しい関連性の発見)、 
• 予測分析 (例: 過去のパターンに基づいた将来の結果の推定)。

ロボティクスをどのように定義するか?

ロボティクスという用語になじみのない方のために説明すると、ロボティクスはロボットを扱う工学の一分野です。ロボットという言葉は、強制労働を意味するチェコスロバキア語の「ロボット」に由来します。ロボットは、事前にプログラムされた指示に従って動作し、人間の監督なしで自動的にタスクを実行できるオートマトンです。また、環境と相互作用し、観察に基づいて決定を下すようにプログラムすることもできます。

ロボットは、メモリに格納されたコンピュータ プログラム (たとえば、パーソナル コンピュータや PLC) の制御下で特定のタスクを実行する電気機械システムとして定義できます。プログラムは、感覚入力ユニットに接続されたセンサーを介してアクションを指示し、エフェクター出力ユニット (モーターなど) に接続されたアクチュエーターを介して周囲のオブジェクトを操作するための作動デバイスを介して、ミッションの実行を指示します。

ロボティクスにおける ML の仕組み

機械学習は、データを使用して自身をトレーニングする AI のサブセットです。機械学習アルゴリズム (MLA) は、過去の経験を分析し、それらの経験に基づいて予測を行います。これは、MLA が経験から学習するために使用されることを意味します。これにより、MLA は明示的にプログラムされていなくても意思決定を行うことができます。

MLA は、ロボットが自身の経験から学習する必要がある、次のようなタスクのロボット工学で使用できます。

• 新しい空間をより効果的にナビゲートできるように、時間の経過とともに環境について学習します。
• 過去の記録に基づいて、環境の将来の状態を予測します。
• 特定の目標を達成するのに最適なアクションを決定します。

ロボット工学における AI の仕組み

AI は、時間の経過とともに学習し、適応し、パフォーマンスを向上させることができるコンピューター プログラムです。これは、ロボット工学と機械学習における最も重要な概念の 1 つです。

AI はロボットの動力源として使用されます。人間が明示的にプログラムしなくても、タスクを効果的に実行できます。たとえば、道路上の自動運転車に AI が搭載されていない場合、直進するか、交差点で右折または左折するなどの非常に基本的な操作しか実行できませんでした。しかし、この車両に AI を搭載すれば、複雑な環境をナビゲートできるようになります。センサー (GPS など) と車体上部に取り付けられたカメラから受信した情報に基づいて、建物やその他の経路などを簡単に把握できます。

ロボット知能は過去数十年でどのように発展しましたか?

ロボット知能は、1950 年代に英国のサイバネティストであるロス アシュビーによって開発されました。それ以前は、エンジニアは自分の経験と勘に基づいて、マシンに固定のルールを使用していました。 Ashby は数学的モデルを使用して、環境から学習し、過去の経験に基づいて意思決定を行うことができるインテリジェント マシンを作成しました。このアプローチは、ニューラル ネットワークの開発と人間の脳機能のコンピューター シミュレーションにつながりました。

最初の産業用ロボットは、1961 年に Unimation によって製造されました。このロボットは、1 手に 2 本の真空制御された指 (指の総数は 4 本) を使用して、1 時間あたり 40 の速度でコンベア ベルトに箱を積み降ろしするなどの単純なタスクを実行できました。 . 1974 年までに、世界中の工場で 30,000 台を超えるロボットが稼働していました。

ロボティクスにおける人工知能と機械学習

人工知能と機械学習は、ロボットがテクノロジーを使用しない場合よりも優れたタスクを実行できるようにするテクノロジーと考えることができます。 ロボティクスにおける AI と ML は表裏一体であり、どちらもロボットが周囲の環境との相互作用から学習できるようにするテクノロジーです。

多くの人が AI を SF の概念と考えていますが、AI はすでに日常生活のさまざまな場面で使用されています。たとえば、iPhone の Siri は、音声認識と自然言語処理 (NLP) アルゴリズムを使用して、ユーザーの発言を理解し、適切に応答します。 Amazon Echos の Alexa は NLP を使用して、「天気は？」などのユーザーの質問を理解します。または「冗談を言って」。 Google 翻訳は再び NLP アルゴリズムを使用して、テキストをドイツ語やフランス語などの別の言語に翻訳します。

ロボティクスにおける機械学習の現在の応用

模倣学習

模倣学習は、エージェントが他のエージェントまたは人間の行動から学習できるようにする機械学習アプローチの一種です。これは、乳幼児が示す行動である観察学習と密接に関連しています。模倣学習では、エージェントは望ましい行動を示す教師の行動を模倣することを学習します。このアプローチはロボット工学でよく使用されます。建設、農業、捜索救助、軍事などの分野で、工場の外で移動するためのロボット ソリューションを手動でプログラミングするのは困難な場合があります。

模倣学習は、強化学習の包括的なカテゴリです。これには、報酬を最大化するためにエージェントを世界で行動させることが含まれます。ベイジアン モデルまたは確率モデルは、模倣学習でよく使用されます。これは、エージェントが状態をアクションにマッピングするポリシーを学習するのに役立ちます。模倣学習がヒューマノイドのようなロボットに使用できるかどうかという問題は、1999 年に最初に仮定されました。

研究者は模倣学習を使用して、物体の把握、歩行、オフロード地形のナビゲートなど、さまざまなタスクを実行できるロボットを開発してきました。たとえば、CMU は逆最適制御法を適用して、ヒューマノイド ロボット工学、脚式移動、オフロードの起伏の多い地形のモバイル ナビゲーターを開発しました。アリゾナ州立大学の研究者によって 2 年前に公開されたビデオでは、人型ロボットが模倣学習を使用してさまざまな把持技術を習得しています。

ベイズ信念ネットワークは、ロボットがその運動系や外部環境についての事前知識なしで学習する順方向学習モデルにも適用されています。この例として、イリノイ大学アーバナ シャンペーン校 (UIUC) の言語習得およびロボット工学グループが、「iCub」ヒューマノイド ロボットであるバートと一緒に行った「モーター バブリング」があります。ロボットは、人間または他のエージェントの行動から模倣学習を使用できます。これにより、さまざまなドメインでの複雑なタスクに対するソリューションの策定が容易になります。

コンピュータビジョン

コンピューター ビジョンは、コンピューター アルゴリズムとカメラ ハードウェアを組み合わせて、ロボットが物理データを処理できるようにする急速に進歩している分野です。この技術は、ロボットの誘導や自動検査システムに不可欠であり、物体の識別や分類など、多くの用途があります。コンピューター ビジョン、マシン ビジョン、およびロボット ビジョンはしばしば同じ意味で使用されますが、ロボット ビジョンには、参照フレームのキャリブレーションと、その環境に物理的に影響を与えるロボットの能力が含まれます。

コンピューター ビジョンの最近の進歩は、Web 上で利用できる注釈付きのラベル付きの写真やビデオなどのビッグ データの流入によって促進されています。カーネギー メロン大学などの大学における機械学習ベースの構造化予測学習技術は、オブジェクトの識別や分類などのコンピューター ビジョン アプリケーションの開発に役立っています。最近のブレイクスルーの一例は、異常検出に教師なし学習を使用することです。これには、畳み込みニューラル ネットワークを使用してシリコン ウェーハの欠陥を検出および評価できるシステムを構築することが含まれます。

レーダーや超音波などの超感覚技術の開発により、自動運転車やドローン向けの 360 度ビジョンベースのシステムの作成が促進されています。 Nvidia のような企業は、この技術の最前線にあり、自動運転車やドローンの精度と安全性を向上させるために使用されています。コンピューター ビジョンと超感覚技術を組み合わせることで、研究者は障害物を検出して回避し、複雑な環境をナビゲートし、前例のない精度と正確さでさまざまなタスクを実行できるシステムを作成しています。

支援および医療技術

支援技術と医療技術は、機械学習ベースのロボティクスが大幅に進歩した分野です。これらの技術は、医療界の障害者、高齢者、および患者に利益をもたらすように設計されています。

支援ロボットは、情報を感知し、感覚的に処理し、人に役立つ行動を実行できます。コストの制約により、診断または治療上の利点を提供する運動療法ロボットは、依然として大部分が研究室に限定されています。初期の支援技術の例には、1990 年代初頭に開発された DeVAR が含まれます。

機械学習ベースのロボット支援技術の最近の例には、ノースウェスタン大学で開発された MICO ロボット アームが含まれます。このアームは、Kinect センサーを使用して世界を観察し、部分的な自律性でユーザーのニーズに適応します。つまり、ロボットと人間の間で制御を共有します。

機械学習ベースのロボティクスは、医療の世界における手術の精度と信頼性を大幅に向上させます。 Smart Tissue Autonomous Robot (STAR) は、複数の大学の研究者と DC の Children's National Health System を通じて試験運用されている医師のネットワークとの共同作業です。 STAR は、最高の人間の外科医よりも優れた精度と信頼性で「豚の腸」を縫い合わせることができます。人間の外科医に取って代わることを意図したものではありませんが、STAR は同様の種類のデリケートな手術を行う際に大きなメリットをもたらします。

自己管理学習

自己教師あり学習 は強力な機械学習アプローチであり、ラベル付きデータへのアクセスが制限されているロボットやその他のデバイス、またはパフォーマンスを向上させるためにトレーニング例を生成する必要がある場合に役立ちます。このアプローチは、物体検出、シーン分析、ビークル ダイナミクス モデリングなど、さまざまなアプリケーションで使用されています。

自己教師あり学習の興味深い例の 1 つは、コーネル大学とスタンフォード大学の研究者によって開発されたロボット、Watch-Bot です。センサーと確率論的方法を組み合わせて使用することで、Watch-Bot は通常の人間の活動パターンを検出し、レーザー ポインターを使用して牛乳を冷蔵庫に戻すなどの作業を人間に思い出させることができます。最初のテストでは、Watch-Bot は人間の 60% に時間を思い出させることに成功し、研究者は RoboWatch と呼ばれるプロジェクトを通じてその機能を改善し続けてきました。

ロボット工学における自己教師あり学習のもう 1 つの例は、自律走行車やその他の移動ロボット向けに MIT で開発された道路検出アルゴリズムです。このアルゴリズムは、正面カメラと確率分布モデルを使用して、道路と経路上の障害物を識別します。
自己教師あり学習に加えて、自律学習は、ロボットやその他の自律デバイスに役立つ機械学習の別の変形です。インペリアル カレッジ ロンドンのチームによって開発された 1 つのアプローチでは、ディープ ラーニングと教師なし手法を使用して、モデルの不確実性を長期計画とコントローラー学習に組み込みます。この統計的機械学習アプローチは、モデル エラーの影響を軽減し、学習プロセスを高速化することができます。これは、チームによるマニピュレーター ビデオで実証されています。

マルチエージェント学習

マルチエージェント学習は、共通の目標を達成するために複数のロボットまたはエージェント間の調整と交渉を行う機械学習手法です。平衡戦略は、変化する環境にエージェントが適応できるようにするアルゴリズムの学習を通じて発見されます。このアプローチの一例は、重み付けされたアルゴリズムを利用してマルチエージェント計画の結果を改善する後悔のない学習ツールの使用、および市場ベースの分散制御システムでの学習です。

MIT の情報および意思決定システム ラボは、ロボットが協力してより包括的な学習モデルを構築するための分散アルゴリズムの具体例を開発しました。ロボットは建物とその部屋のレイアウトを探索し、それぞれが独自のカタログを作成し、それらを組み合わせて知識ベースを作成します。このアプローチにより、ロボットはより小さな情報のチャンクを処理し、単一のロボットよりも連携してより良い結果を達成できます。完璧ではありませんが、このタイプの機械学習アプローチにより、ロボットは相互の観察を強化し、カタログやデータセットを比較し、省略や過剰な一般化を修正できます。

マルチエージェント学習は、自律的な陸上車両や空中車両など、いくつかのアプリケーションで使用される可能性があります。このアプローチは、共通の目標を達成するためにロボットが通信し、協力することで、より効率的かつ効果的なパフォーマンスにつながる可能性があります。ただし、この手法を実際の使用に最適化するには、さらなる研究と開発が必要です。

機械学習と人工知能をさまざまな産業のロボティクスに適用

ロボティクスは、農業、医療、製造、物流など、さまざまな産業に適用できます。 

• 農業： 作物の検査にドローンを使用することは、最近非常に一般的になっています。これらのドローンには、土壌水分量や肥料レベルなどのさまざまなパラメーターを測定するセンサーが装備されています。これらのセンサーから収集されたデータはサーバーに送り返され、そこでアルゴリズムがデータを分析して、SMS またはモバイル アプリを介して農家に提案またはアラートを送信します。作物/土地面積の条件に基づく通知。
• 健康管理： AI ベースのロボットは、手術中に医師を支援したり、MRI 装置から取得した画像をスキャンして患者を診断したりするなど、さまざまな目的で世界中の病院で使用されています。たとえば、IBM の人工知能プラットフォームである Watson は、スコットランド最大の病院グループである Highland Hospital Partners に導入され、成功を収めています。これは、人間の医師よりも速く医療記録を読む能力に基づいています (ワトソンは 10 分以内に 100 万ページを読むことができました)。 Accenture Strategy Limited が実施した調査によると、デジタル トランスフォーメーション イニシアチブの採用率は、他のどの業種よりもヘルスケア プロバイダーが最も高く (60%)、金融サービス (52%) がそれに続きます。
• 製造: 製造部門は、どの国でも最も重要な産業の 1 つです。 AI を搭載したロボットは、製造プロセスを自動化し、効率を高めるために使用されています。たとえば、ゼネラルモーターズは最近、「バクスター」と呼ばれる新しいロボットを発売しました。これは、人間の労働者が最小限の監督でビンから部品を拾い上げたり、それらを溶接したりするなどの反復作業を実行するのに役立ちます.
• ロジスティクス： AI を搭載したロボットは、物流プロセスを最適化し、コストを削減するために使用されています。たとえば、DHL は「PakBot」と呼ばれる新しい AI 搭載ロボットを発売しました。人間の労働者がパッケージをスキャンし、商品を箱に詰め、バーコードでラベルを付けるのに役立ち、世界中に製品を出荷するのにかかる時間を短縮します (これにより、顧客は注文をより早く受け取ることができます)。
• 教育： AI 搭載ロボットは、教育のさまざまな目的で使用されています。たとえば、教師がエッセイやレポートをこれまで以上に迅速かつ正確に採点できるようにするために、ロボットが使用されています。また、教室で料理や後片付けの方法などの重要なライフスキルを子供たちに教えるためにも使用できます。

ロボティクスにおける AI と機械学習の未来

これまで見てきたように、AI と ML は長年にわたってロボティクスに適用されてきました。テクノロジーは常に進化しており、AI と ML をロボティクスの世界に導入する新しい方法への扉が開かれています。これは、AI と ML が、あなたがまだ思いもよらなかった方法で使用される可能性が十分にあることを意味します。

AI と ML は、製造やヘルスケアだけでなく、ここで説明した以上の方法で、より多くの業界のロボット工学に適用できます。たとえば、研究者は、深層学習技術に基づいた機械学習アルゴリズムを使用して、ロボットに新しいスキルをかつてないほど迅速に教える方法を検討しています。そのような研究の 1 つでは、コンピューターは、人間が周囲の物体を認識しているのを 1 回見ただけで、認識方法を学習できることがわかりました。これには通常、人間は数時間または数日かかります。

結論

これで、ロボット工学における AI と機械学習の役割が明確に理解できました。それらはすでに使用されており、将来さらに使用される予定です。ロボットの機能のすべての部分に必要というわけではありませんが、ロボット工学のあらゆる側面で使用されています。そして、テクノロジーがさらに進歩するにつれて、それらは将来さらに使用される可能性があります.

ビデオソース: 米国航空宇宙局の公式ウェブサイト

---

ロボティクスにおける機械学習について Q&A

1. ロボティクスにおける機械学習アプリケーションの例は?

   ロボット工学における機械学習アプリケーションの例には、物体認識、経路計画、ナビゲーション、制御、知覚などがあります。また、自己教師あり学習、支援および医療技術、マルチエージェント学習、強化学習でも使用されます。

2. 機械学習はどのようにロボットのパフォーマンスを向上させることができますか?

   機械学習は、ロボットがデータと経験から学習できるようにすることで、ロボットのパフォーマンスを向上させることができます。新しい状況に適応し、収集した情報に基づいてインテリジェントな決定を下すことができます。これにより、ロボットの動作の精度、効率、および堅牢性が向上します。

3. 機械学習は自動運転車でどのように使用されていますか?

   機械学習は自動運転車で使用され、センサー データに基づいて意思決定を行い、ルートを計画し、複雑な環境をナビゲートできるようにします。また、オブジェクトの検出と認識、行動予測、意思決定にも使用されます。

4. ロボティクスにおける強化学習とは?

   ロボット工学における強化学習は、試行錯誤によって学習するようにロボットをトレーニングする機械学習手法の一種です。ロボットは、その行動に基づいて報酬または罰則の形でフィードバックを受け取り、行動を最適化して報酬を最大化することを学習します。

5. ロボティクスにおける自己教師あり学習とは?

   ロボット工学における自己教師あり学習は、ロボットが環境から学習することによって独自のトレーニング データを生成できるようにする一種の機械学習手法です。これには、センサーから取得した事前の知識とデータを使用して、長距離のあいまいなセンサー データを解釈することが含まれます。

6. 機械学習は支援技術や医療技術でどのように使用されていますか?

   機械学習は、障害のある人や病状のある人のためのロボット システムのパフォーマンスと信頼性を向上させるために、支援技術や医療技術で使用されています。運動療法、自律手術、診断および治療目的に使用されます。