Robot leert bewegen met chaosfuncties
Het is wetenschappers gelukt met een simulatie een meerbenige robot succesvol laten te lopen door middel van een besturingssysteem dat op chaos is gebaseerd. De onderzoekers achter het systeem zeggen dat het ons kan leren begrijpen hoe mensen en dieren leren te bewegen.Normaal gesproken worden de beenbewegingen van robots bepaald door complexe computerprogramma's of genetische algoritmes om het op een succesvolle manier te leren wandelen. Maar deze opties zijn tijdrovend en kosten veel rekenkracht. De roboticawetenschappers Yasuo Kuniyoshi en Shinsuke Suzuki hebben nu chaotische systemen toegepast op wandelgedrag. Chaotische systemen gedragen zich op een manier waarbij een kleine verandering dusdanig versterkt wordt dat er niet voorspeld kan worden wat het gedrag over langere tijd zal zijn. Voorbeelden hiervan zijn het weer en financiële markten. Als chaotische wiskunde om het weer te bepalen heldere patronen als orkanen weerfronten kan produceren, zouden gelijke systemen ook de basis van bewegingspatronen in wandelen kunnen zijn, zo beredeneerden de wetenschappers.
Bij een computersimulatie simuleerden ze een 12-benige robot waarbij elk been met een chaotische wiskundige functie werd bestuurd. De functie werd in de eerste instantie getriggerd met twaalf willekeurige parameters. Van dat punt werd de sensorinformatie van elk been teruggevoerd in de chaotische wiskundige functie die het bestuurde. In de eerste instantie gebeurde er niks, maar toen er een gewicht op een deel van de robot gelegd werd, ging het lopen. De robot leerde daarna vanzelf obstakels in zijn pad te ontwijken en na enig nadenken passende bewegingen te maken bij alles wat in zijn weg kwam.
Verbazingwekkend deed de robot deze truukjes zonder enige conventionele programmering. En zijn gedrag evolueerde veel sneller dan het met genetische algoritmes en trial and error gedaan zou hebben. Kuniyoshi denkt dat zijn chaotische benadering mogelijk overeenkomsten heeft met de manier waarop biologische systemen leren te bewegen.
Is dat net zoiets als ons huidige kabinet...? foto
soort van..zelf leren?
Dat obstakels vermijden is dan wel weer knap, maar goed...
Dit blijkt dus te leiden tot intelligent gedrag, eigenlijk net zoals in het echt. Tenminste, dat wordt hier beweerd.
Marja.. foto
ze verzinne ut gelijk tegewoordig
www.ErwinB.nl
neem eens hier een kijkje naar, dit wordt er bedoelt maar dan op de jip en janneke manier uitgelegd.
In het forum wordt besproken hoe de chaos theorie in elkaar zit. In het stukje hierboven maken ze gebruik van de chaos theorie.
Zou wel interessant zijn om te weten of het gebruik van een andere formule het zelfde resultaat geeft. Indien dat niet zo is hebben we het eigenlijk over evolutie en Darwin.
die 3e foto links, check die gnom z'n gezicht + naam ... je verzint het toch niet? foto
Ehh...Windows?
met chaos bedoelen ze gewoon dat het niet te voorspellen is. zoiets als dit:
http://www.physics.nwu.edu/ugrad/vpl/mechanics/pendulum.html
Ik vermoed dat ze dat hier ook gebruiken.
Wat ik dan echter niet begrijp is dat ze het hier hebben over dat Chaos minder rekenintensief is.
Ja per rekenstap is het minder rekenintensief, maar je moet wel veel meer rekenstappen nemen.
Ze hebben het ook over "leren", wat weer zou kunnen duiden op een neuraal netwerk.
Normaal gesproken stuur je de sensor-waarden vrijwel meteen via de inputs het neurale netwerk in.
Het zou kunnen zijn dat ze die inputs eerst door een chaos-functie halen, die dan maar 1 of 2 berekeningen doet met de sensor-waarden als startpunt. Op die manier heb je niet dat een input door een sensor aangestuurd wordt, maar dat een min of meer onvoorspelbare combinatie van inputs aangestuurd worden als je een sensorwaarde veranderd.
Voor de mensen die niet weten wat een neuraal netwerk doet, even heel kort een omschrijving.
Een neuraal netwerk bestaat uit een aantal neuronen die een aantal inputs hebben en een aantal outputs aansturen.
Doordat een neuraal netwerk getrained is, zal een neuron niet elke input even belangrijk vinden.
Afhankelijk van wat er op de input(s) staat, zal er een output komen.
De belangrijkheid van die inputs noemen we gewichten.
Wanneer een neuraal netwerk outputs genereert die niet het gewenste resultaat hebben, zal 'ie die gewichten een beetje aanpassen totdat 'ie wel het gewenste gedrag vertoond op bepaalde inputs. Dat noemen we "leren" of het "trainen van een netwerk".
Als je die inputs een beetje handig kiest kun je op die manier vrij goed dingen herkennen met een computer.
Bedenk bijvoorbeeld zelf maar eens hoe je een willekeurige letter kunt representeren.
Bijv. het aantal horizontale, diagonale en vertikale strepen en het aantal gaten.
Als je dat met te veel meetwaarden representeerd, zul je een netwerk krijgen wat heel precies de letters herkent waarmee getrained is, maar een vet gedrukt of cursief lettertype al niet meer goed snapt.
Als je te weinig inputs hebt, of de gebruikte inputs lijken te veel op elkaar, dan zal je netwerk niet echt goed dingen herkennen.
Door nu een chaos-functie tussen de sensoren en inputs van het netwerk te zetten, krijg je meer diversiteit in de inputs van het netwerk en kun je mogelijk de tekortkomingen van het ontwerp van je netwerk omzeilen.
Nogmaals dit is dus een vermoeden van mijn kant en het kan best zijn dat ze het heel anders aanpakken.
als dat echt zo goed werkt, is al die moeite die ze op Honda's ASIMO hebben gedaan in no time achterhaalt.
Dan hebben we misschien wel veel sneller dan tot nu toe gedacht robots die op realistische wijze mensen nabootsen. (Qua beweging dan)
Transhumanist, Piraat
Vraag me af hoe belangrijk precies deze ontwikkeling is, lijkt mij best groot.
Everybody wants a box of chocolates"
~Leonard Cohen
Maarreh, SkyNet komt wel dichterbij zo... foto
Violets are funky
Thinking of you
Spanking my monkey
--gedeelte sig verwijderd door FA, niet terugplaatsen--
Hiermee gaan ze ook bewoonbare planeten opsporen geloof ik... foto
wetenschappers hadden bij voorbaat al de verkeerde
uitgangspunten en variabelen ofzo te pakken van meet af aan
bij onderzoeken hoe een menselijk leerproces werkt
daarom werkten hun eerste probeerselen niet.
zij dachten het leerproces bij de wortels te hebben gevat
maar dat werkte niet. nu gebruiken ze iets als random/choas-aanpak
om processen sneller te laten verlopen.
hadden ze eerder moeten doen.
wetenschappers. denken altijd veel te weten met hun buitenaardse pietpraat.
blech
Om te kunnen reageren moet je zijn ingelogd op FOK.nl. Als je nog geen account hebt kun je gratis een FOK!account aanmaken