CapÃtulo 1 : Robótica na nuvem

A robótica em nuvem é um subcampo da robótica que se concentra nas vantagens da infraestrutura convergente e dos serviços partilhados para a robótica. A robótica em nuvem é uma tentativa de fazer uso de tecnologias de nuvem, como computação em nuvem, armazenamento em nuvem e outras tecnologias da Internet. Quando conectados à nuvem, os robôs são capazes de tirar proveito dos fortes recursos de computação, armazenamento e comunicação dos data centers atuais na nuvem. Esses centros são capazes de processar e distribuir informações de uma variedade de robôs ou agentes, incluindo outras máquinas, objetos inteligentes, humanos e assim por diante. Através do uso de redes, os seres humanos também são capazes de terceirizar tarefas para robôs que operam remotamente. As tecnologias de computação em nuvem possibilitam que os sistemas robóticos tenham enormes capacidades e, ao mesmo tempo, reduzem as despesas através da utilização da tecnologia de nuvem. Como resultado, é viável construir robôs mais inteligentes e de baixo custo, que sejam leves e tenham um "cérebro" inteligente armazenado na nuvem. O "cérebro" é composto por fatores como o data center, a base de conhecimento, os planejadores de tarefas, deep learning, processamento de informações, modelos de ambiente, suporte à comunicação e outros componentes semelhantes.

Quando se trata de robôs, uma nuvem poderia teoricamente consistir em pelo menos seis componentes importantes:

Uma estratégia conhecida como "aprendizagem ao longo da vida". O CAS propôs a utilização da aprendizagem ao longo da vida para construir uma nuvem para os robôs usarem como cérebro. O dilema de como fazer com que os robôs combinem e transmitam a sua experiência de forma a permitir-lhes fazer bom uso do conhecimento existente e adaptar-se rapidamente a novas situações foi o impulso para o trabalho do autor. Os autores propõem uma arquitetura de aprendizagem para navegação em sistemas robóticos em nuvem que eles chamam de Lifelong Federated Reinforcement Learning (LFRL). Esta arquitetura destina-se a resolver o problema. Em seu estudo, eles apresentam um algoritmo para fusão de conhecimento que pode ser usado para melhorar um modelo compartilhado que é colocado em operação na nuvem. São então apresentadas estratégias de aprendizagem de transferência comprovadamente eficazes no LFRL. Tanto o LFRL quanto a ciência cognitiva humana são compatíveis entre si e funcionam bem com sistemas robóticos em nuvem. Para efeitos de navegação robótica, experiências demonstraram que o LFRL aumenta significativamente a eficácia da aprendizagem por reforço. Além disso, a implementação do sistema robótico em nuvem demonstra que o LFRL é capaz de combinar informações previamente adquiridas.

O método é conhecido como Federated Learning. No ano de 2020, previu-se que os robôs podem ser equipados com um cérebro em nuvem utilizando aprendizagem ao longo da vida. Aprender um novo comportamento é algo que os seres humanos são capazes de fazer estudando como outras pessoas praticam a habilidade. Os robôs, por outro lado, também são capazes de fazer isso através da aprendizagem por imitação. Além disso, se os seres humanos receberem orientação de fontes externas, eles serão capazes de compreender o novo hábito de forma mais eficaz. Assim, como os robôs são capazes de realizar isso? Os autores fornecem uma nova estrutura que identificaram como FIL para abordar a questão. Para sistemas robóticos em nuvem, oferece uma estrutura para a fusão de conhecimento heterogêneo de várias fontes. Depois disso, um algoritmo de fusão de conhecimento na FIL é sugerido como solução. Consequentemente, torna possível para a nuvem combinar a experiência diversificada de robôs locais e produzir modelos de guia para robôs que estão em posse de solicitações de serviço. Em seguida, apresentamos um mecanismo de transferência de conhecimento que facilitará a aquisição de conhecimento pela nuvem por robôs locais. Com a ajuda da FIL, um robô é capaz de utilizar a informação que aprendeu com outros robôs para melhorar a precisão e eficiência da sua aprendizagem de imitação. Quando comparado com a aprendizagem de transferência e meta-aprendizagem, o FIL é uma opção mais aceitável para implementação em sistemas robóticos na nuvem. Eles estão fazendo pesquisas sobre uma tarefa que exige robôs (carros) para dirigir sozinhos. Os resultados das experiências mostram que o modelo partilhado desenvolvido pela FIL traz um impulso na eficiência da aprendizagem por imitação para robôs locais que fazem parte de serviços robóticos na nuvem.

A aprendizagem assistida por pares é a abordagem escolhida. Foi proposto pela UM que um cérebro em nuvem para robôs poderia ser construído através da utilização de aprendizagem assistida por pares. Com a introdução de tecnologias de aprendizagem profunda orientadas por dados, a área da robótica está atualmente a passar por uma revolução tecnológica inovadora. No entanto, o processo de construção de conjuntos de dados para cada robô local é complicado. Por outro lado, as ilhas de dados existentes entre robôs locais impedem que os dados sejam explorados de forma colaborativa. O trabalho proporciona a Aprendizagem Robótica Assistida por Pares (PARL) em robótica, que é inspirada no conceito de aprendizagem assistida por pares em psicologia cognitiva e pedagogia. O objetivo deste trabalho é abordar a questão que foi apresentada. No âmbito dos sistemas robóticos na nuvem, o PARL é responsável pela implementação da colaboração de dados. Depois de completar seu treinamento localmente e fazer computação semântica, os robôs carregam seus dados e seus modelos para a nuvem. Além de realizar aumento, integração e transferência, a nuvem é responsável por reunir os dados. Por último, mas não menos importante, aperfeiçoe esse conjunto de dados compartilhado maior na nuvem para que possa ser usado por robôs locais. Para colocar em ação o processamento de dados em PANL, também sugerimos o uso da Rede DAT, que significa Rede de Aumento e Transferência de Dados. O aumento de dados de vários robôs locais é algo que pode ser realizado usando a Rede DAT. Experimentos são realizados pelos autores em uma versão simplificada do desafio de direção autônoma para robôs (carros). No âmbito dos cenários de condução autónoma, a DAT Network fez um avanço considerável em termos de melhoria. Além disso, os resultados das experiências em veículos autónomos também mostram que o PARL é capaz de melhorar os efeitos de aprendizagem através da colaboração de dados de robôs locais.

O RoboEarth foi financiado pelo Sétimo Programa-Quadro para iniciativas de investigação e desenvolvimento técnico implementadas pela União Europeia. O objetivo deste financiamento foi investigar especialmente o tema da robótica na nuvem. O objetivo do RoboEarth é tornar possível que os sistemas robóticos obtenham conhecimento a partir das experiências de outros robôs. Isso abrirá caminho para rápidos avanços na cognição e comportamento da máquina e, em última análise, para a interação homem-máquina que é mais matizada e inteligente. Uma infraestrutura de Cloud Robotics é algo que o RoboEarth oferece. O banco de dados que o RoboEarth construiu no estilo da World Wide Web inclui informações que foram criadas por seres humanos, bem como robôs, em um formato legível por máquinas. Componentes de software, mapas para navegação (como locais de objetos e modelos mundiais), conhecimento de tarefas (como receitas de ação e métodos de manipulação) e modelos de reconhecimento de objetos (como fotos e modelos de objetos) são exemplos dos tipos de dados armazenados na base de dados de conhecimento do RoboEarth. Há suporte para robôs móveis, veículos autônomos e drones dentro do RoboEarth Cloud Engine. Estes tipos de dispositivos exigem uma quantidade significativa de processamento para navegar.

Uma estrutura de robótica em nuvem de código aberto chamada Rapyuta foi desenvolvida por um pesquisador de robótica da ETHZ. É construído sobre RoboEarth Engine e foi criado pelo pesquisador. Na estrutura, cada robô que está conectado ao Rapyuta tem o potencial de ter um ambiente de computação protegido, que é representado por caixas retangulares. Isso lhes dá a oportunidade de realocar seus cálculos pesados para a nuvem. Além disso, os ambientes de computação são altamente conectados entre si e têm uma conexão com o repositório de conhecimento RoboEarth que é capaz de fornecer uma enorme quantidade de largura de banda.

Uma das extensões do projeto RoboEarth é conhecida como KnowRob. É um sistema de processamento do conhecimento que combina métodos de representação e raciocínio do conhecimento com técnicas de aquisição de conhecimento e de ancoragem do conhecimento num sistema físico. Além disso, tem a capacidade de servir como uma estrutura semântica comum para a integração de informações de uma variedade de fontes.

RoboBrain é um sistema computacional de grande escala que adquire conhecimento através do uso de recursos que são acessíveis ao público em geral na Internet, simulações de computador e experimentos de robôs ao vivo. Compila toda a informação relativa à robótica numa base de conhecimentos que é abrangente e interligada. A prototipagem para investigação robótica, a construção de robôs para casa e o desenvolvimento de veículos autónomos são exemplos de aplicações. O objetivo do projeto é tão simples como o próprio nome sugere: criar um cérebro centralizado e sempre online ao qual os robôs possam aceder. Tanto a Universidade de Stanford quanto a Universidade de...