Capitolo 1 : Robotica cloud

La robotica cloud è un sottocampo della robotica che si concentra sui vantaggi dell'infrastruttura convergente e dei servizi condivisi per la robotica. La robotica cloud è un tentativo di utilizzare le tecnologie cloud, come il cloud computing, il cloud storage e altre tecnologie Internet. Quando sono connessi al cloud, i robot sono in grado di sfruttare le potenti risorse di elaborazione, archiviazione e comunicazione degli attuali data center nel cloud. Questi centri sono in grado di elaborare e distribuire informazioni da una varietà di robot o agenti, tra cui altre macchine, oggetti intelligenti, esseri umani e così via. Attraverso l'uso delle reti, gli esseri umani sono anche in grado di esternalizzare i compiti a robot che operano da remoto. Le tecnologie di cloud computing consentono di offrire ai sistemi robotici enormi capacità, riducendo contemporaneamente le spese attraverso l'utilizzo della tecnologia cloud. Di conseguenza, è possibile costruire robot più intelligenti e a basso costo, leggeri e dotati di un "cervello" intelligente memorizzato nel cloud. Il "cervello" è costituito da fattori come il data center, la knowledge base, i pianificatori di attività, l'apprendimento profondo, l'elaborazione delle informazioni, i modelli ambientali, il supporto alla comunicazione e altri componenti simili.

Quando si tratta di robot, una nuvola potrebbe teoricamente essere composta da almeno sei componenti importanti:

Una strategia nota come "apprendimento permanente". CAS ha proposto l'utilizzo dell'apprendimento permanente al fine di costruire una nuvola per i robot da utilizzare come cervello. Il dilemma di come far sì che i robot combinino e trasmettano la loro esperienza al fine di consentire loro di fare buon uso delle conoscenze esistenti e adattarsi rapidamente alle nuove situazioni è stato l'impulso per il lavoro dell'autore. Gli autori propongono un'architettura di apprendimento per la navigazione nei sistemi robotici cloud che chiamano Lifelong Federated Reinforcement Learning (LFRL). Questa architettura ha lo scopo di risolvere il problema. Nel loro studio, presentano un algoritmo per la fusione della conoscenza che può essere utilizzato per migliorare un modello condiviso che viene messo in funzione sul cloud. Vengono quindi presentate le strategie di transfer learning che si sono dimostrate efficaci in LFRL. Sia LFRL che la scienza cognitiva umana sono compatibili tra loro e funzionano bene con i sistemi robotici cloud. Ai fini della navigazione robotica, gli esperimenti hanno dimostrato che LFRL migliora significativamente l'efficacia dell'apprendimento per rinforzo. Inoltre, l'implementazione del sistema robotico cloud dimostra che LFRL è in grado di combinare le informazioni acquisite in precedenza.

Il metodo è noto come Federated Learning. Nell'anno 2020, è stato previsto che i robot potrebbero essere dotati di un cervello cloud utilizzando l'apprendimento permanente. Imparare un nuovo comportamento è qualcosa che gli esseri umani sono in grado di fare studiando come le altre persone praticano l'abilità. I robot, d'altra parte, sono in grado di farlo anche attraverso l'apprendimento per imitazione. Inoltre, se gli esseri umani ricevono indicazioni da fonti esterne, saranno in grado di comprendere la nuova abitudine in modo più efficace. Quindi, in che modo i robot sono in grado di raggiungere questo obiettivo? Gli autori forniscono un nuovo quadro che hanno identificato come FIL per affrontare il problema. Per i sistemi robotici cloud, offre un framework per la fusione di conoscenze eterogenee provenienti da diverse fonti. Successivamente, viene suggerito un algoritmo di fusione della conoscenza in FIL come soluzione. Di conseguenza, consente al cloud di combinare le diverse competenze dei robot locali e di produrre modelli di guida per i robot in possesso di richieste di servizio. Successivamente, presentiamo un meccanismo di trasferimento delle conoscenze che renderà più facile per i robot locali acquisire conoscenze dal cloud. Con l'aiuto di FIL, un robot è in grado di utilizzare le informazioni che ha appreso da altri robot al fine di migliorare l'accuratezza e l'efficienza del suo apprendimento per imitazione. Rispetto al transfer learning e al meta-learning, FIL è un'opzione più accettabile per l'implementazione in sistemi robotici cloud. Stanno facendo ricerche su un compito che richiede che i robot (le auto) si guidino da soli. I risultati degli esperimenti mostrano che il modello condiviso sviluppato da FIL porta a un aumento dell'efficienza dell'apprendimento per imitazione per i robot locali che fanno parte dei servizi robotici cloud.

L'approccio scelto è l'apprendimento assistito tra pari. È stato proposto da UM che un cervello cloud per i robot potrebbe essere costruito attraverso l'utilizzo dell'apprendimento assistito da pari. Con l'introduzione di tecnologie di deep learning basate sui dati, l'area della robotica sta attualmente subendo una rivoluzione tecnologica rivoluzionaria. Tuttavia, il processo di costruzione di set di dati per ogni robot locale è macchinoso. D'altra parte, le isole di dati esistenti tra i robot locali impediscono che i dati vengano sfruttati in modo collaborativo. Il lavoro fornisce l'apprendimento robotico assistito da pari (PARL) nella robotica, che si ispira al concetto di apprendimento assistito da pari in psicologia cognitiva e pedagogia. Lo scopo di questo lavoro è quello di affrontare il problema che è stato presentato. Nell'ambito dei sistemi robotici cloud, PARL è responsabile dell'implementazione della collaborazione sui dati. Dopo aver completato la loro formazione localmente e aver eseguito il calcolo semantico, i robot caricano sia i loro dati che i loro modelli sul cloud. Oltre a eseguire l'aumento, l'integrazione e il trasferimento, il cloud è responsabile dell'unione dei dati. Ultimo ma non meno importante, perfeziona questo set di dati condiviso più grande nel cloud in modo che possa essere utilizzato dai robot locali. Ai fini dell'attuazione dell'elaborazione dei dati in PARL, si consiglia inoltre di utilizzare la rete DAT, acronimo di Data Augmentation and Transfer Network. L'aumento dei dati provenienti da diversi robot locali è qualcosa che può essere realizzato utilizzando la rete DAT. Gli autori hanno condotto esperimenti su una versione semplificata della sfida di guida autonoma per robot (automobili). Nell'ambito degli scenari di guida autonoma, DAT Network ha compiuto un notevole progresso in termini di miglioramento. Oltre a questo, i risultati degli esperimenti sui veicoli a guida autonoma mostrano anche che PARL è in grado di migliorare gli effetti di apprendimento attraverso la collaborazione dei dati provenienti da robot locali.

RoboEarth ha ricevuto finanziamenti dal Settimo Programma Quadro per iniziative di ricerca e sviluppo tecnico attuate dall'Unione Europea. Lo scopo di questo finanziamento era quello di approfondire in particolare il tema della robotica cloud. Lo scopo di RoboEarth è quello di consentire ai sistemi robotici di acquisire conoscenze dalle esperienze di altri robot. Ciò aprirà la strada a rapidi progressi nella cognizione e nel comportamento delle macchine e, in ultima analisi, a un'interazione uomo-macchina più sfumata e intelligente. Un'infrastruttura di robotica cloud è qualcosa che RoboEarth fornisce. Il database che RoboEarth ha costruito nello stile del World Wide Web include informazioni create da esseri umani e robot in un formato leggibile dalle macchine. I componenti software, le mappe per la navigazione (come le posizioni degli oggetti e i modelli del mondo), la conoscenza delle attività (come le ricette di azione e i metodi di manipolazione) e i modelli di riconoscimento degli oggetti (come le foto e i modelli degli oggetti) sono tutti esempi dei tipi di dati memorizzati nella knowledge base di RoboEarth. C'è il supporto per robot mobili, veicoli autonomi e droni all'interno di RoboEarth Cloud Engine. Questi tipi di dispositivi richiedono una notevole quantità di elaborazione per navigare.

Un framework di robotica cloud open source chiamato Rapyuta è stato sviluppato da un ricercatore di robotica presso ETHZ. È costruito su RoboEarth Engine ed è stato creato dal ricercatore. Nel quadro, ogni robot collegato a Rapyuta ha il potenziale per avere un ambiente di calcolo protetto, rappresentato da scatole rettangolari. Ciò offre loro l'opportunità di trasferire i loro calcoli pesanti nel cloud. Inoltre, gli ambienti di elaborazione sono altamente collegati in rete tra loro e dispongono di una connessione al repository di conoscenze RoboEarth in grado di fornire un'enorme quantità di larghezza di banda.

Una delle estensioni del progetto RoboEarth è nota come KnowRob. Si tratta di un sistema di elaborazione della conoscenza che combina metodi per la rappresentazione e il ragionamento della conoscenza con tecniche per acquisire conoscenza e per ancorare la conoscenza in un sistema fisico. Inoltre, ha la capacità di fungere da quadro semantico comune per l'integrazione di informazioni provenienti da una varietà di fonti.

RoboBrain è un sistema computazionale su larga scala che acquisisce conoscenze attraverso l'uso di risorse accessibili al grande pubblico su Internet, simulazioni al computer ed esperimenti di robot dal vivo. Raccoglie tutte le informazioni relative alla robotica in una base di conoscenze completa e interconnessa. La prototipazione per la ricerca sulla robotica, la costruzione di robot per la casa e lo sviluppo di veicoli autonomi sono tutti esempi di applicazioni. L'obiettivo del progetto è il più semplice possibile come suggerisce il nome: realizzare la creazione di un cervello centralizzato e sempre online a cui i robot possano accedere. Sia la Stanford University che la Cornell University stanno facendo la...