验证了
你的沙拉可能由机器人厨师一天。新剑桥大学研究发表在IEEE访问显示了如何人工智能(AI)计算机视觉赋予机器人厨师识别和人类厨师的通过看视频来学习新的食谱。
“机器人厨师是一种很有前途的技术,可以带来相当大的健康和经济利益无所不在地部署时,“写第一作者Grzegorz Sochacki,连同剑桥大学研究同事Arsen Abdulali,娜戈Khadem Hosseini,和Fumiya Iida,机器人技术教授的工程,和仿生学研究实验室的负责人。
研究人员试图发现如果一个机器人厨师可以食谱像人类一样通过观察学习。”实现机器人厨师是一项复杂的任务,需要主管在许多领域机器人机器人操纵、传感、反馈,决策和感知,”他们写道。
使机器人厨师的关键学习像人类一样是让人工智能算法来识别成分和行动由人类的厨师。剑桥大学的研究小组利用Openpose,神经网络对人类构成实时多人检测和物体检测人工智能模型称为YOLO(你只看一次),意思是人工神经网络在实时处理图像在一个单一的评估。YOLO是一个开源软件,意思是八年前引入的。YOLO的意思执行对象的基本模型检测一样迅速45帧每秒。
对于这个概念验证机器人实验室实验,团队决定把重点放在沙拉因为很多成分是可识别的YOLO算法和意思这些类型的菜相对简单的自动化。
剑桥大学的团队创造了人类的视频准备八个沙拉食谱组成的五个成分:橙、香蕉、西兰花、胡萝卜、苹果。人类的机器人厨师观看这些视频展示菜谱的相机。人工智能机器人的计算机视觉软件分析帧的视频演示,以检测对象(如餐具和成分,以及人类厨师的姿势。通过分析右手和对象之间的相关性,人工智能预测哪些对象正在使用和正在执行什么操作。
“高相关性的冗长的处理一个项目,因此是一定的指示行动,”研究人员写道。
机器人对人类的观察厨师演示是转换成二进制状态,然后过滤使用隐马尔科夫模型去除噪声和假阳性和假阴性检测。在统计中,隐马尔科夫模型(HMM)是一种常用的图形模型代表的观察序列概率分布。俄罗斯数学家命名安德烈Andreyevich马尔可夫(1856 - 1922),马尔可夫模型是一个随机的方法用于模型随机改变系统未来状态的马尔可夫性质只取决于当前的状态,而不是过去。在隐马尔可夫模型,生成观测数据的潜在变量之间的关系被称为“隐藏状态,”和观察建模使用过渡使用概率分布概率的概率(从一个隐藏的状态转移到另一个)和发射概率的概率(观察输出给定一个隐藏的状态)。
机器人厨师观察人类厨师和16个视频演示,研究人员报道,“算法正确识别已知的配方在93%的示威和成功地学会了一些新菜时,使用现成的计算机视觉的神经网络。
“我们显示视频和示威活动是可行的数据来源为机器人厨师编程时扩展到大规模公开数据源像YouTube。”
版权©2023年哥伦比亚罗索保留所有权利。
