Kuidas robotid tehisintellekti kasutavad? [Video ja viktoriin]

Lühike vastus: Robotid kasutavad tehisintellekti pideva tuvastamise, mõistmise, planeerimise, tegutsemise ja õppimise tsükli läbiviimiseks, et nad saaksid liikuda ja töötada ohutult segases ja muutuvas keskkonnas. Kui andurid muutuvad lärmakaks või enesekindlus langeb, aeglustavad hästi disainitud süsteemid kiirust, peatuvad ohutult või küsivad abi, selle asemel et arvata.

Peamised järeldused:

Autonoomia ring: Ehita süsteemid tajumise-mõistmise-planeerimise-tegutsemise-õppimise ümber, mitte ühe mudeli ümber.

Vastupidavus: disain pimestamise, segaduse, libisemise ja ettearvamatult liikuvate inimeste jaoks.

Ebakindlus: Väljenda enesekindlust ja kasuta seda turvalisema ja konservatiivsema käitumise käivitamiseks.

Turvalogid: salvestage toimingud ja kontekst, et tõrkeid saaks auditeerida ja parandada.

Hübriidpinu: usaldusväärsuse tagamiseks kombineeri masinõpe füüsikaliste piirangute ja klassikalise juhtimisega.

Allpool on ülevaade sellest, kuidas tehisintellekt robotites avaldub, et need tõhusalt toimiksid.

Artiklid, mida võiksite pärast seda lugeda:

🔗 Kui Elon Muski robotid ohustavad töökohti
Mida Tesla robotid võiksid teha ja millised rollid võivad muutuda.

🔗 Mis on humanoidroboti tehisintellekt
Õpi, kuidas humanoidrobotid tajuvad, liiguvad ja juhiseid järgivad.

🔗 Milliseid töökohti tehisintellekt asendab
Rollid, mis on automatiseerimisele kõige enam avatud, ja oskused, mis jäävad väärtuslikuks.

🔗 Tehisintellekti töökohad ja tulevased karjäärivõimalused
Tänapäeva tehisintellekti karjäärivõimalused ja kuidas tehisintellekt kujundab tööhõive suundumusi.

Kuidas robotid tehisintellekti kasutavad? Kiire mentaalne mudel

Enamik tehisintellektiga roboteid järgib sellist tsüklit:

• Meel 👀: Kaamerad, mikrofonid, LiDAR, jõuandurid, rattakoodrid jne.

• Mõista 🧠: Tuvasta objekte, hinda asukohta, tunne ära olukordi, ennusta liikumist.

• Planeeri 🗺️: Vali eesmärgid, arvuta ohutud teed, planeeri ülesandeid.

• Tegutse 🦾: Anna motoorseid käske, haare, veere, tasakaalusta, väldi takistusi.

• Õpi 🔁: Paranda andmete põhjal taju või käitumist (mõnikord veebis, sageli võrguühenduseta).

Suur osa robotilisest tehisintellektist on tegelikult virn koos töötavatest tükkidest –taju, oleku hindamine, planeerimineja kontroll–, mis kokkuvõttes moodustavad autonoomia.

Üks praktiline „välja” reaalsus: raske osa ei ole tavaliselt roboti saamine midagi puhtas demos üks kord tegema – raske on panna see sama lihtsat asja usaldusväärselt ka siis, kui valgustus muutub, rattad libisevad, põrand on läikiv, riiulid on liikunud ja inimesed kõnnivad nagu ettearvamatud NPC-d.

Mis teeb robotist hea tehisintellekti aju?

Korralik roboti tehisintellekti seadistus ei tohiks olla lihtsalt nutikas – see peaks olema usaldusväärne ka ettearvamatutes reaalsetes keskkondades.

Olulised omadused on järgmised:

• Reaalajas jõudlus ⏱️ (õigeaegsus on otsuste tegemisel oluline)

• Vastupidavus segasetele andmetele (pimestamine, müra, segadus, liikumise hägusus)

• Graatsilised rikkerežiimid 🧯 (aeglusta, peatu ohutult, küsi abi)

• Head eelteadmised + hea õppimisoskus (füüsika + piirangud + masinõpe – mitte ainult „vibe“)

• Mõõdetav taju kvaliteet 📏 (andurite/mudelite halvenemise korral)

Parimad robotid ei ole tihtipeale need, mis suudavad ühe korra uhket trikki teha, vaid need, mis suudavad igavaid töid hästi teha – päevast päeva.

Levinud roboti tehisintellekti ehitusplokkide võrdlustabel

Taju: kuidas robotid muudavad andurite töötlemata andmed tähenduseks

Taju on see, kus robotid muudavad andurite vood millekski, mida nad saavad tegelikult kasutada:

• Kaamerad → objektide tuvastamine, poosi hindamine, stseeni mõistmine

• LiDAR → kaugus + takistuse geomeetria

• Sügavuskaamerad → 3D-struktuur ja vaba ruum

• Mikrofonid → kõne- ja helisignaalid

• Jõu-/pöördemomendiandurid → ohutum haare ja koostöö

• Taktiilsed andurid → libisemise tuvastamine, kokkupuutejuhtumid

Robotid toetuvad tehisintellektile sellistele küsimustele vastamisel:

• "Mis objektid on minu ees?"

• "Kas see on inimene või mannekeen?"

• "Kus käepide on?"

• "Kas midagi liigub minu poole?"

Peen, aga oluline detail: tajusüsteemid peaksid ideaalis väljastama ebakindlust (või usaldusnivoo), mitte ainult jah/ei vastust – sest järgneva planeerimise ja ohutusalased otsused sõltuvad sellest, kui kindel robot on.

Lokaliseerimine ja kaardistamine: teadmine oma asukohast ilma paanikata

Robot peab korrektseks toimimiseks teadma, kus ta asub. Seda tehakse sageli SLAM-i (samaaegse lokaliseerimise ja kaardistamise): kaardi koostamine roboti asendi hindamise ajal. Klassikalistes formuleeringutes käsitletakse SLAM-i tõenäosusliku hindamisülesandena, mille levinud perekondade hulka kuuluvad EKF-põhised ja osakestefiltritel põhinevad lähenemisviisid. [1]

Robot ühendab tavaliselt:

• Ratta läbisõidu mõõtmine (põhiline jälgimine)

• LiDAR-skaneeringu sobitamine või visuaalsed orientiirid

• IMU-d (pöörlemine/kiirendus)

• GPS (õues, piirangutega)

Roboteid ei saa alati ideaalselt lokaliseerida – seega käituvad head süsteemid nagu täiskasvanud: jälgivad ebakindlust, tuvastavad triivi ja naasevad turvalisema käitumise juurde, kui enesekindlus langeb.

Planeerimine ja otsuste langetamine: järgmise tegevuse valimine

Kui robotil on toimiv pilt maailmast, peab ta otsustama, mida teha. Planeerimine avaldub sageli kahes kihis:

• Kohalik planeerimine (kiired refleksid) ⚡
  Väldi takistusi, aeglusta inimeste läheduses, järgi sõiduradasid/koridore.

• Globaalne planeerimine (suurem pilt) 🧭
  Vali sihtkohad, planeeri marsruute blokeeritud alade ümber, planeeri ülesandeid.

Praktikas muudab robot käskluse „Ma arvan, et näen vaba teed” konkreetseteks liikumiskäsklusteks, mis ei riiva riiuli nurka ega triivi inimese isiklikku ruumi.

Kontroll: plaanide sujuvaks liikumiseks muutmine

Juhtimissüsteemid muudavad planeeritud tegevused reaalseks liikumiseks, tegeledes samal ajal reaalsete tüütustega, näiteks:

• Hõõrdumine

• Kasuliku koormuse muutused

• Raskusjõud

• Mootori viivitused ja tagasilöök

Levinud tööriistade hulka kuuluvad PID, mudelipõhine juhtimine, mudeli ennustav juhtimineja pöördkinemaatika – st matemaatika, mis muudab haaratsi sinnaliigeste liikumiseks. [2]

Kasulik mõtteviis:
planeerimine valib tee.
Juhtimine paneb roboti seda tegelikult järgima ilma kõikumise, üleliigse liikumise või kofeiinirohke ostukäru kombel vibreerimata.

Õppimine: kuidas robotid täiustuvad, selle asemel et neid igaveseks ümber programmeerida

Robotid saavad areneda andmetest õppimise kaudu, selle asemel, et neid pärast iga keskkonnamuutust käsitsi ümber häälestada.

Peamised õppemeetodid hõlmavad järgmist:

• Juhendatud õpe 📚: Õpi sildistatud näidetest (nt „see on kaubaalus”).

• Ise juhendatud õpe 🔍: Õpi struktuuri toorandmetest (nt tulevaste kaadrite ennustamine).

• Tugevdusõpe 🎯: Õpi tegevusi, maksimeerides tasu signaale aja jooksul (sageli seotud agentide, keskkondade ja tuludega). [3]

Kus RL särab: keerukate käitumismustrite õppimine valdkondades, kus kontrolleri käsitsi disainimine on tülikas.
Kus RL muutub teravaks: andmetõhusus, ohutus uurimise ajal ja simulatsiooni ja reaalsuse vahelised lüngad.

Inimese ja roboti interaktsioon: tehisintellekt, mis aitab robotitel inimestega koostööd teha

Kodudes või töökohtades olevate robotite puhul on interaktsioon oluline. Tehisintellekt võimaldab:

• Kõnetuvastus (heli → sõnad)

• Kavatsuse tuvastamine (sõnad → tähendus)

• Žestide mõistmine (osutamine, kehakeel)

See kõlab lihtsalt, kuni sa selle teele paned: inimesed on ebajärjekindlad, aktsendid varieeruvad, toad on lärmakad ja „sealpool” ei ole koordinaatsüsteem.

Usaldus, turvalisus ja „ära ole jube”: vähem lõbus, aga oluline osa

Robotid on tehisintellektil põhinevad süsteemid, millel on füüsilised tagajärjed, seega ei saa usaldust ja ohutuspraktikaid teisejärguliseks pidada.

Praktilised turvatellingud sisaldavad sageli järgmist:

• Usalduse/ebakindluse jälgimine

• Konservatiivne käitumine taju halvenemise korral

• Toimingute logimine silumiseks ja auditeerimiseks

• Selged piirid roboti võimete osas

Kasulik üldine viis selle raamistamiseks on riskijuhtimine: juhtimine, riskide kaardistamine, mõõtmine ja haldamine kogu elutsükli vältel – kooskõlas sellega, kuidas NIST struktureerib tehisintellekti riskijuhtimist laiemalt. [4]

„Suure mudeli” trend: robotid, mis kasutavad alusmudeleid

Alusmudelid püüavad saavutada üldisema otstarbega robotkäitumist – eriti kui keelt, nägemist ja tegevust modelleeritakse koos.

Üks näide suunast on nägemise-keele-tegevuse (VLA) mudelid, kus süsteemi treenitakse ühendama seda, mida ta näeb, mida talle öeldakse + milliseid toiminguid ta peaks tegema. RT-2 on selle lähenemisviisi laialdaselt viidatud näide. [5]

Põnev osa: paindlikum ja kõrgema taseme mõistmine.
Reaalsuskontroll: füüsilise maailma usaldusväärsus nõuab endiselt piirdeid – klassikaline hindamine, ohutuspiirangud ja konservatiivne kontroll ei kao kuhugi ainuüksi seetõttu, et robot oskab „targalt rääkida“.

Lõppmärkused

Kuidas robotid tehisintellekti kasutavad? Robotid kasutavad tehisintellekti tajumiseks ,oleku hindamiseks (kus ma olen?), planeerimiseksja juhtimiseks– ning mõnikord õppimiseks , et paremaks muutuda. Tehisintellekt võimaldab robotitel toime tulla keeruliste dünaamiliste keskkondadega, kuid edu sõltub usaldusväärsetest, mõõdetavatest süsteemidest, mille käitumine on ohutusele orienteeritud.

Reaalse maailma näide: tehisintellektiga assistendi loomine laorobotile

Stsenaarium

Kujutage ette väikest täitmisladu, kus autonoomne mobiilrobot liigutab suletud kotte pakkimislaudadelt väljastusalale. Robot ei pea "kõigest aru saama". See peab usaldusväärselt tegema ühte tööd: koguma kotte, navigeerima ühises vahekäigus, vältima inimesi ja kaubaaluste tõstukeid ning peatuma ohutult, kui enesekindlus langeb.

Tehisintellekti pakett ühendaks arvutinägemise, LiDAR-i, SLAM-i, teekonna planeerimise, takistuste vältimise ja töötajate põhilised keelelised juhised. Juhendaja võib küll öelda: „Vii see kott dispetšeri 3. boksi,“ kuid robot vajab keelekihi all siiski kindlaid ohutusreegleid.

See on tugev näide, sest see näitab roboti tehisintellekti töötamist praktilise virnana, mitte ühe hiiglasliku mudelina, mis teeb oletusi.

Mida assistent vajab

Seadistuseks oleks vaja:

• Lao kaart, mis sisaldab pakkimislaudu, väljastusalasid, keelutsoone, laadimispunkte ja kitsaid vahekäike

• Kaamera- või sügavuskaamera andmed kottide, inimeste, põrandamärgiste ja blokeeritud teede tuvastamiseks

• LiDAR või muu kauguseandur takistuste tuvastamiseks

• Rattaandurite ja IMU andmed lokaliseerimiseks

• Kiirusepiirangute, peatumisteekonna ja inimsõbraliku käitumise reeglid

• Laosüsteemi ülesannete loend, näiteks paki ID, pealevõtmiskoht ja sihtkoht

• Logid, mis salvestavad marsruuti, usaldusskoori, peatusi, peaaegu juhtunud juhtumeid ja inimeste sekkumisi

Põhipunkt on see, et keeleõpe ei tohiks kunagi olla ainus juhtimistasand. Robot võib küll vastu võtta inimsõbralikke käske, kuid liikumist peaksid siiski reguleerima kaardistamine, planeerimine, juhtimine ja ohutuspiirangud.

Näidisjuhis

Robotiassistendi lihtne kasutusjuhend võiks välja näha selline:

Sa oled lao mobiilroboti ülesannete assistent. Sinu ülesanne on muuta töötajate taotlused ohutuks liikumisülesanneteks. Loo ülesanne ainult siis, kui pealevõtmispunkt, sihtkoht ja kanderaami ID on selged. Kui mõni detail puudub, esita üks lühike selgitav küsimus. Ära kunagi mõtle asukohti välja. Kui marsruut on blokeeritud, vali heakskiidetud alternatiivne marsruut, kui see on olemas. Kui tajumise usaldusväärsus langeb alla ohutu läve, aeglusta, peatu või palu inimese abi. Logi iga ebaõnnestunud pealevõtmispunkt, blokeeritud marsruut, avariipeatus ja käsitsi tühistamine.

Töötaja taotlus võib olla järgmine:

Liiguta konteiner T-1842 pakkimislaualt 6 väljastusboksi 3.

Hea vastus oleks:

Ülesanne vastu võetud: koguda pakkimislaualt 6 konteiner T-1842 ja toimetada see väljastusplatvormile 3. Marsruut valiti läbi vahekäigu B. Kiirus on piiratud jalakäijate ülekäiguraja lähedal. Kui vahekäik B on blokeeritud, kasutada heakskiidetud varumarsruuti C.

Halb vastus oleks:

Muidugi, viin selle saatmisse.

Halb versioon on liiga ebamäärane. See ei kinnita paki ID-d, pealevõtmiskohta, sihtkohta, marsruuti ega ohutuskäitumist.

Kuidas seda testida

Enne kui lased robotil pingestatud vahekäigus töötada, testi seda väikese kontrollnimekirjaga:

• Paluge tal liigutada kott koos kõigi üksikasjadega

• Palu tal kott teisaldada ilma dispetšeriruumi andmata

• Aseta marsruudile inimesekujuline takistus

• Liiguta riiulimarkerit ja kontrolli, kas lokaliseerimise usaldusväärsus langeb

• Loo põrandale pimestav valgus ja kontrolli, kas tajukindlus muutub

• Blokeeri eelistatud vahekäik ja kontrolli, kas see valib heakskiidetud varumarsruudi

• Küsi sihtkohta, mida pole olemas, ja veendu, et see keeldub, selle asemel, et arvata

• Vaadake pärast iga sõitu logi üle, et veenduda peatuste, ümbersuunamiste ja tühistamiste registreerimises

Eesmärk pole lihtsalt „kas robot saabus?“, vaid parem küsimus on: „Kas see käitus ohutult ja etteaimatavalt, kui keskkond muutus ebakindlaks?“

Tulemus

Illustreeriv tulemus: põhineb 20 näidis-kandekottide teisaldamise ülesande ajastamisel väikeses lao testpiirkonnas.

Enne roboti töövoo kasutuselevõttu kulus inimesest jooksjal kandekoti liigutamiseks keskmiselt 4 minutit 30 sekundit, sealhulgas pakkimislaua juurde tagasi kõndimine. Pärast roboti kasutuselevõttu lihtsate punktist punkti kandekottide teisaldamiseks langes inimese käsitsemisaeg umbes 50 sekundini ülesande kohta, peamiselt kandekoti laadimise ja töö kinnitamise tõttu.

See säästaks iga kandekottide liigutamise kohta umbes 3 minutit ja 40 sekundit. 80 kandekottide liigutamise korral päevas oleks hinnanguline ajasääst umbes 293 minutit ehk veidi alla 4,9 töötunni päevas.

Sama testi ohutuskontrolle tuleks jälgida eraldi. Näiteks:

• 20 ülesandest 20 jõudis õigesse sihtkohta

• 3 blokeeritud marsruudijuhtumit lahendati heakskiidetud ümbersuunamisega

• Kaks madala usaldusväärsusega sündmust käivitasid ohutu peatuse

• 0 kinnitamata sihtkohta võeti vastu

• 0 puuduvat kandekotti ID-d arvati ära

Need numbrid on illustratiivsed ega ole väide ühegi konkreetse robotitoote kohta. Meeskond saaks tulemust kontrollida, ajastades ülesandeid enne ja pärast juurutamist, lugedes käsitsi tehtud muudatusi, vaadates üle marsruudilogid ja kontrollides ebaõnnestunud tarneid.

Mis võib valesti minna

Kõige levinum ebaõnnestumine on robotile liiga suure vabaduse andmine. Keelemudel võib küll juhisest aru saada, aga see ei tähenda, et seda tuleks usaldada marsruutide väljamõtlemisel, usaldusskooride ignoreerimisel või „tõenäoliselt ohutu“ otsuse tegemisel.

Muud realistlikud probleemid hõlmavad järgmist:

• Vananenud kaardid pärast riiulite või pinkide teisaldamist

• Halb valgustus või peegeldavad põrandad tekitavad segadust mudelite nägemises

• Töötajad kasutavad mitteametlikke asukohanimesid, mida robot ei tunne ära

• Puuduvad kandekottide ID-d, mille tõttu süsteem valib vale eseme

• Nõrk logimine, mistõttu on peaaegu õnnetusi raske uurida

• Jõudluse liialdamine ilma ebaõnnestunud katsetuste ja inimeste sekkumiste mõõtmiseta

Hea reegel on lihtne: kui robot pole kindel, peaks ta muutuma konservatiivsemaks, mitte loomingulisemaks.

Praktiline kaasavõetav toit

Tugeva roboti tehisintellekti seadistuse aluseks on kitsas ülesanne, selged sisendid, mõõdetav ohutuskäitumine ja usaldusväärsed varulahendused. „Intelligentsus“ ei seisne ainult objektide äratundmises või juhiste järgimises. See on teadmine, millal liikuda, millal aeglustada, millal peatuda ja millal abi küsida.

KKK

Kuidas robotid tehisintellekti abil autonoomselt tegutsevad?

Robotid kasutavad tehisintellekti pideva autonoomiatsükli läbiviimiseks: maailma tajumiseks, toimuva tõlgendamiseks, ohutu järgmise sammu planeerimiseks, mootorite abil tegutsemiseks ja andmetest õppimiseks. Praktikas on see pigem komponentide virn, mis töötab kooskõlastatult, mitte üks „maagiline“ mudel. Eesmärk on usaldusväärne käitumine muutuvas keskkonnas, mitte ühekordne demonstratsioon ideaalsetes tingimustes.

Kas roboti tehisintellekt on lihtsalt üks mudel või täielikult autonoomne lahendus?

Enamikus süsteemides on roboti tehisintellekt täisfunktsionaalne: taju, oleku hindamine, planeerimine ja juhtimine. Masinõpe aitab selliste ülesannetega nagu nägemine ja ennustamine, samas kui füüsikalised piirangud ja klassikaline juhtimine hoiavad liikumise stabiilse ja prognoositava. Paljudes reaalsetes rakendustes kasutatakse hübriidlähenemist, sest usaldusväärsus on olulisem kui nutikus. Seetõttu jääb „ainult vibratsioonidel põhinev“ õppimine kontrollitud keskkondadest harva püsima.

Millistele anduritele ja tajumudelitele tehisintellekti robotid toetuvad?

Tehisintellektiga robotid ühendavad sageli kaameraid, LiDAR-i, sügavusandureid, mikrofone, IMU-sid, kodeerijaid ning jõu-/pöördemomendi- või puuteandureid. Tajumismudelid muudavad need vood kasutatavateks signaalideks, nagu objekti identiteet, asend, vaba ruum ja liikumisnäited. Praktiline parim tava on väljastada kindlustunnet või ebakindlust, mitte ainult silte. See ebakindlus aitab suunata ohutumat planeerimist, kui andurid halvenevad pimestamise, hägususe või segaduse tõttu.

Mis on SLAM robootikas ja miks see on oluline?

SLAM (samaaegne lokaliseerimine ja kaardistamine) aitab robotil luua kaardi, hinnates samal ajal oma asukohta. See on keskse tähtsusega robotite jaoks, mis liiguvad ringi ja peavad tingimuste muutudes navigeerima ilma paanikasse sattumata. Tüüpiliste sisendite hulka kuuluvad rataste läbisõidu mõõtmine, IMU-d ja LiDAR- või nägemismaamärgid, mõnikord ka GPS õues. Head virnad jälgivad triivi ja ebakindlust, et robot saaks käituda konservatiivsemalt, kui lokaliseerimine muutub ebakindlaks.

Mille poolest erinevad roboti planeerimine ja roboti juhtimine?

Planeerimine otsustab, mida robot peaks järgmiseks tegema, näiteks valima sihtkoha, marsruudilt takistuste ümber sõitma või inimesi vältima. Juhtimine muudab selle plaani sujuvaks ja stabiilseks liikumiseks hoolimata hõõrdumisest, kasuliku koormuse muutustest ja mootori viivitustest. Planeerimine jaguneb sageli globaalseks planeerimiseks (suure pildi marsruudid) ja lokaalseks planeerimiseks (kiired refleksid takistuste lähedal). Juhtimine kasutab plaani usaldusväärseks järgimiseks tavaliselt selliseid tööriistu nagu PID, mudelipõhine juhtimine või mudelipõhine ennustav juhtimine.

Kuidas robotid ebakindluse või madala enesekindlusega ohutult toime tulevad?

Hästi disainitud robotid käsitlevad ebakindlust käitumise sisendina, mitte millegi sellisena, mida õlgu kehitada. Kui taju või asukoha määramise usaldus langeb, on levinud lähenemisviis aeglustada, suurendada ohutusvaru, peatuda ohutult või paluda inimese abi, selle asemel et oletada. Süsteemid logivad ka toiminguid ja konteksti, et intsidente oleks võimalik auditeerida ja hõlpsamini parandada. See „graatsilise ebaõnnestumise“ mõtteviis on peamine erinevus demorobotite ja paigutatavate robotite vahel.

Millal on tugevdusõpe robotite puhul kasulik ja mis teeb selle keeruliseks?

Tugevdusõpet kasutatakse sageli keerukate oskuste, näiteks manipuleerimise või liikumise puhul, kus kontrolleri käsitsi kujundamine on tülikas. See aitab avastada tõhusaid käitumisviise tasupõhise katse-eksituse meetodi abil, sageli simulatsioonis. Juurutamine muutub keeruliseks, kuna uurimine võib olla ohtlik, andmed võivad olla kallid ja simulatsiooni ja reaalsuse vahelised lüngad võivad reegleid rikkuda. Paljud torujuhtmed kasutavad tugevdusõpet valikuliselt koos piirangute ja klassikalise juhtimisega ohutuse ja stabiilsuse tagamiseks.

Kas alusmudelid muudavad seda, kuidas robotid tehisintellekti kasutavad?

Alusmudelitel põhinevad lähenemisviisid suunavad roboteid üldisema, juhiseid järgiva käitumise poole, eriti nägemis-keele-tegevuse (VLA) mudelite, näiteks RT-2-stiilis süsteemide puhul. Nende positiivne külg on paindlikkus: roboti nägemuse ühendamine sellega, mida talle öeldakse ja kuidas ta peaks tegutsema. Tegelikkus on see, et klassikaline hindamine, ohutuspiirangud ja konservatiivne kontroll on füüsilise töökindluse seisukohalt endiselt olulised. Paljud meeskonnad käsitlevad seda elutsükli riskijuhtimisena, mis on vaimus sarnane raamistikega nagu NISTi tehisintellekti RMF.

Viited

[1] Durrant-Whyte & Bailey - Samaaegne lokaliseerimine ja kaardistamine (SLAM): I osa. Olulised algoritmid (PDF)
[2] Lynch & Park - Kaasaegne robootika: mehaanika, planeerimine ja juhtimine (eeltrükk PDF-failina)
[3] Sutton & Barto - Tugevdusõpe: sissejuhatus (2. trükk, PDF-versioon)
[4] NIST - Tehisintellekti riskijuhtimise raamistik (AI RMF 1.0) (PDF)
[5] Brohan jt - RT-2: Nägemise-keele-tegevuse mudelid kannavad veebiteadmised üle robotijuhtimisele (arXiv)

Leia uusim tehisintellekt ametlikust tehisintellekti abilise poest

Meist