Intel: Interaktives, kontinuierliches Lernen für Roboter mit neuromorphem Computing verbessert
Intel Labs hat in Zusammenarbeit mit dem Italian Institute of Technology und der Technischen Universität München einen neuen Ansatz für das Lernen von Objekten auf der Grundlage neuronaler Netze vorgestellt. Er zielt speziell auf künftige Anwendungen wie Roboterassistenten ab, die mit uneingeschränkten Umgebungen interagieren, unter anderem in der Logistik, im Gesundheitswesen oder in der Altenpflege. Diese Forschung ist ein entscheidender Schritt zur Verbesserung der Fähigkeiten zukünftiger Assistenz- oder Produktionsroboter. Sie nutzt das neuromorphe Computing durch neue interaktive Online-Lernmethoden für Objekte, die es Robotern ermöglichen, neue Objekte nach ihrem Einsatz zu erlernen.
Intel Labs hat in Zusammenarbeit mit dem Italian Institute of Technology und der Technischen Universität München einen neuen Ansatz für das Lernen von Objekten auf der Grundlage neuronaler Netze vorgestellt. Er zielt speziell auf künftige Anwendungen wie Roboterassistenten ab, die mit uneingeschränkten Umgebungen interagieren, unter anderem in der Logistik, im Gesundheitswesen oder in der Altenpflege. Diese Forschung ist ein entscheidender Schritt zur Verbesserung der Fähigkeiten zukünftiger Assistenz- oder Produktionsroboter. Sie nutzt das neuromorphe Computing durch neue interaktive Online-Lernmethoden für Objekte, die es Robotern ermöglichen, neue Objekte nach ihrem Einsatz zu erlernen.
Unter Verwendung dieser neuen Modelle haben Intel und seine Mitarbeiter erfolgreich das kontinuierliche interaktive Lernen auf Intels neuromorphem Forschungschip Loihi demonstriert. Dabei wurde eine bis zu 175-fach geringere Energie zum Erlernen einer neuen Objektinstanz mit ähnlicher oder besserer Geschwindigkeit und Genauigkeit im Vergleich zu konventionellen Methoden, die auf einer zentralen Recheneinheit (CPU) laufen, gemessen. Um dies zu erreichen, implementierten die Forscher auf dem Loihi eine Architektur mit spikenden neuronalen Netzen, die das Lernen auf eine einzige Schicht mit plastischen Synapsen beschränkte und verschiedene Objektansichten durch die Rekrutierung neuer Neuronen bei Bedarf berücksichtigte. Dadurch konnte sich der Lernprozess autonom entfalten, während er mit dem Benutzer interagierte.
Die Forschungsergebnisse wurden in dem Papier "Interactive continual learning for robots: a neuromorphic approach" veröffentlicht, das auf der diesjährigen International Conference on Neuromorphic Systems (ICONS) des Oak Ridge National Laboratory als "Best Paper" ausgezeichnet wurde.
"Wenn ein Mensch ein neues Objekt lernt, schaut er es sich an, dreht es um, fragt, was es ist, und ist dann in der Lage, es in allen möglichen Umgebungen und unter allen Bedingungen sofort wiederzuerkennen", sagte Yulia Sandamirskaya, Leiterin der Robotik-Forschung im Intel-Labor für neuromorphes Rechnen und Hauptautorin der Arbeit. "Unser Ziel ist es, ähnliche Fähigkeiten auf zukünftige Roboter anzuwenden, die in interaktiven Umgebungen arbeiten, damit sie sich an Unvorhergesehenes anpassen und natürlicher mit Menschen zusammenarbeiten können. Unsere Ergebnisse mit Loihi untermauern den Wert des neuromorphen Computings für die Zukunft der Robotik."
