Kapitel 1 : Cloud-Robotik

Cloud-Robotik ist ein Teilgebiet der Robotik, das sich auf die Vorteile von konvergenten Infrastrukturen und Shared Services für die Robotik konzentriert. Cloud-Robotik ist ein Versuch, Cloud-Technologien wie Cloud Computing, Cloud-Speicher und andere Internettechnologien zu nutzen. Wenn Roboter mit der Cloud verbunden sind, sind sie in der Lage, die starken Rechen-, Speicher- und Kommunikationsressourcen aktueller Rechenzentren in der Cloud zu nutzen. Diese Zentren sind in der Lage, Informationen von einer Vielzahl von Robotern oder Agenten zu verarbeiten und zu verteilen, einschließlich anderer Maschinen, intelligenter Objekte, Menschen und so weiter. Durch den Einsatz von Netzwerken sind Menschen auch in der Lage, Aufgaben an Roboter auszulagern, die aus der Ferne arbeiten. Cloud-Computing-Technologien ermöglichen es, Robotersystemen enorme Fähigkeiten zu verleihen und gleichzeitig die Kosten durch den Einsatz von Cloud-Technologie zu senken. Infolgedessen ist es möglich, kostengünstigere, intelligentere Roboter zu konstruieren, die leicht sind und über ein intelligentes "Gehirn" verfügen, das in der Cloud gespeichert ist. Das "Gehirn" setzt sich aus Faktoren wie dem Rechenzentrum, der Wissensdatenbank, den Aufgabenplanern, Deep Learning, Informationsverarbeitung, Umgebungsmodellen, Kommunikationsunterstützung und anderen ähnlichen Komponenten zusammen.

Wenn es um Roboter geht, könnte eine Cloud theoretisch aus mindestens sechs wichtigen Komponenten bestehen:

Eine Strategie, die als "lebenslanges Lernen" bekannt ist. CAS hat die Nutzung von lebenslangem Lernen vorgeschlagen, um eine Cloud zu konstruieren, die Roboter als Gehirn nutzen können. Das Dilemma, wie man Roboter dazu bringt, ihre Erfahrungen zu kombinieren und weiterzugeben, um sie in die Lage zu versetzen, vorhandenes Wissen sinnvoll zu nutzen und sich schnell an neue Situationen anzupassen, war der Anstoß für die Arbeit des Autors. Die Autoren schlagen eine Lernarchitektur für die Navigation in Cloud-Robotersystemen vor, die sie Lifelong Federated Reinforcement Learning (LFRL) nennen. Diese Architektur soll das Problem lösen. In ihrer Studie stellen sie einen Algorithmus zur Wissensfusion vor, mit dem ein gemeinsames Modell, das in der Cloud in Betrieb genommen wird, verbessert werden kann. Anschließend werden Transfer-Learning-Strategien vorgestellt, die sich in LFRL als effektiv erwiesen haben. Sowohl LFRL als auch die menschliche Kognitionswissenschaft sind miteinander kompatibel und funktionieren gut mit Cloud-Robotersystemen. Für die Roboternavigation haben Experimente gezeigt, dass LFRL die Wirksamkeit von Reinforcement Learning deutlich erhöht. Darüber hinaus zeigt die Implementierung des Cloud-Robotersystems, dass LFRL in der Lage ist, zuvor erfasste Informationen zu kombinieren.

Die Methode ist als Federated Learning bekannt. Im Jahr 2020 wurde vorhergesagt, dass Roboter durch lebenslanges Lernen mit einem Wolkengehirn ausgestattet werden könnten. Das Erlernen eines neuen Verhaltens ist etwas, wozu Menschen in der Lage sind, indem sie studieren, wie andere Menschen die Fähigkeit üben. Roboter hingegen sind auch in der Lage, dies durch Imitation Learning zu tun. Darüber hinaus wird der Mensch, wenn er von außen geleitet wird, in der Lage sein, die neue Gewohnheit besser zu erfassen. Wie sind Roboter in der Lage, dies zu erreichen? Die Autoren stellen einen neuartigen Rahmen zur Verfügung, den sie als FIL identifiziert haben, um das Problem anzugehen. Für Cloud-Robotik-Systeme bietet es einen Rahmen für die Zusammenführung von heterogenem Wissen aus mehreren Quellen. Danach wird ein Wissensfusionsalgorithmus in FIL als Lösung vorgeschlagen. So ist es möglich, dass die Cloud die vielfältigen Kompetenzen lokaler Roboter bündelt und Leitmodelle für Roboter erstellt, die im Besitz von Serviceanfragen sind. Im Anschluss stellen wir einen Wissenstransfermechanismus vor, der es lokalen Robotern erleichtern wird, Wissen aus der Cloud zu erwerben. Mit Hilfe von FIL ist ein Roboter in der Lage, die Informationen, die er von anderen Robotern gelernt hat, zu nutzen, um die Genauigkeit und Effizienz seines Imitationslernens zu verbessern. Im Vergleich zu Transferlernen und Meta-Lernen ist FIL eine akzeptablere Option für den Einsatz in Cloud-Robotersystemen. Sie forschen an einer Aufgabe, bei der Roboter (Autos) selbst fahren müssen. Die Ergebnisse der Experimente zeigen, dass das von FIL entwickelte gemeinsame Modell eine Effizienzsteigerung des Imitationslernens für lokale Roboter bewirkt, die Teil von Cloud-Robotikdiensten sind.

Peer-Assisted Learning ist der gewählte Ansatz. Es wurde von UM vorgeschlagen, dass ein Cloud-Gehirn für Roboter durch den Einsatz von Peer-Assisted Learning konstruiert werden könnte. Mit der Einführung datengetriebener Deep-Learning-Technologien erlebt der Bereich der Robotik derzeit eine bahnbrechende technologische Revolution. Nichtsdestotrotz ist der Prozess der Erstellung von Datensätzen für jeden lokalen Roboter umständlich. Auf der anderen Seite verhindern Dateninseln, die zwischen lokalen Robotern existieren, dass Daten auf kollaborative Weise genutzt werden. Die Arbeit befasst sich mit Peer-Assisted Robotic Learning (PARL) in der Robotik, das vom Konzept des Peer-Assisted Learning in der kognitiven Psychologie und Pädagogik inspiriert ist. Der Zweck dieser Arbeit ist es, das vorgestellte Problem anzugehen. Im Rahmen von Cloud-Robotik-Systemen ist PARL für die Umsetzung der Datenzusammenarbeit verantwortlich. Nachdem sie ihr Training vor Ort abgeschlossen und Semantic Computing durchgeführt haben, laden die Roboter sowohl ihre Daten als auch ihre Modelle in die Cloud hoch. Neben der Erweiterung, Integration und Übertragung ist die Cloud für die Zusammenführung der Daten verantwortlich. Zu guter Letzt perfektionieren Sie diesen größeren freigegebenen Datensatz in der Cloud, damit er von lokalen Robotern verwendet werden kann. Um die Datenverarbeitung in PARL in die Tat umzusetzen, empfehlen wir auch die Verwendung des DAT-Netzwerks, das für Data Augmentation and Transferring Network steht. Die Erweiterung von Daten von mehreren lokalen Robotern ist etwas, das mit dem DAT-Netzwerk erreicht werden kann. Die Autoren führen Experimente an einer vereinfachten Version der selbstfahrenden Herausforderung für Roboter (Autos) durch. Im Bereich der selbstfahrenden Szenarien hat DAT Network einen erheblichen Fortschritt in Bezug auf die Verbesserung gemacht. Darüber hinaus zeigen die Ergebnisse der Experimente mit selbstfahrenden Fahrzeugen auch, dass PARL in der Lage ist, Lerneffekte durch die Zusammenarbeit von Daten lokaler Roboter zu verstärken.

RoboEarth wurde aus dem Siebten Rahmenprogramm für Forschungs- und technische Entwicklungsinitiativen finanziert, die von der Europäischen Union durchgeführt werden. Ziel dieser Förderung war es, sich insbesondere mit dem Thema Cloud-Robotik auseinanderzusetzen. Der Zweck von RoboEarth ist es, Robotersystemen zu ermöglichen, Wissen aus den Erfahrungen anderer Roboter zu gewinnen. Dies wird den Weg für schnelle Fortschritte in der maschinellen Wahrnehmung und im Verhalten ebnen und letztendlich für eine nuanciertere und intelligentere Mensch-Maschine-Interaktion. Eine Cloud Robotics-Infrastruktur ist etwas, das RoboEarth bietet. Die Datenbank, die RoboEarth im Stil des World Wide Web aufgebaut hat, enthält Informationen, die sowohl von Menschen als auch von Robotern erstellt wurden, in einem Format, das von Maschinen gelesen werden kann. Softwarekomponenten, Karten für die Navigation (z. B. Objektpositionen und Weltmodelle), Aufgabenwissen (z. B. Aktionsrezepte und Manipulationsmethoden) und Objekterkennungsmodelle (z. B. Fotos und Objektmodelle) sind Beispiele für die Datentypen, die in der RoboEarth-Wissensdatenbank gespeichert sind. Es gibt Unterstützung für mobile Roboter, autonome Fahrzeuge und Drohnen innerhalb der RoboEarth Cloud Engine. Diese Art von Geräten erfordert einen erheblichen Verarbeitungsaufwand, um navigieren zu können.

Ein Open-Source-Cloud-Robotik-Framework namens Rapyuta wurde von einem Robotikforscher der ETHZ entwickelt. Es basiert auf der RoboEarth Engine und wurde vom Forscher erstellt. In dem Framework hat jeder Roboter, der mit Rapyuta verbunden ist, das Potenzial, eine geschützte Computerumgebung zu haben, die durch rechteckige Kästchen dargestellt wird. Dies bietet ihnen die Möglichkeit, ihre umfangreichen Berechnungen in die Cloud zu verlagern. Darüber hinaus sind die Rechnerumgebungen hochgradig miteinander vernetzt und verfügen über eine Verbindung zum RoboEarth-Wissensspeicher, der in der Lage ist, eine enorme Bandbreite bereitzustellen.

Eine der Erweiterungen des RoboEarth-Projekts ist als KnowRob bekannt. Es handelt sich um ein Wissensverarbeitungssystem, das Methoden der Wissensrepräsentation und des Denkens mit Techniken zum Wissenserwerb und zur Verankerung des Wissens in einem physikalischen System kombiniert. Darüber hinaus hat es die Fähigkeit, als gemeinsamer semantischer Rahmen für die Integration von Informationen aus einer Vielzahl von Quellen zu dienen.

RoboBrain ist ein groß angelegtes Rechensystem, das Wissen durch den Einsatz von Ressourcen erwirbt, die der Öffentlichkeit über das Internet zugänglich sind, durch Computersimulationen und Live-Roboterexperimente. Es bündelt alle Informationen rund um die Robotik in einer Wissensbasis, die sowohl umfassend als auch vernetzt ist. Das Prototyping für die Robotikforschung, der Bau von Robotern für den Haushalt und die Entwicklung autonomer Fahrzeuge sind Beispiele für Anwendungen. Das Ziel des Projekts ist so einfach, wie der Name vermuten lässt: die Schaffung eines zentralisierten, immer online verfügbaren Gehirns, auf das Roboter zugreifen können. Sowohl die Stanford University als auch...