Anima Anandkumar de la Caltech și NVIDIA.
Această discuție a fost susținută la 1 aprilie 2022.
Roboții autonomi trebuie să fie eficienți și agili și să poată face față unei game largi de sarcini și condiții de mediu. Acest lucru necesită capacitatea de a învăța reprezentări bune ale domeniilor și sarcinilor folosind o varietate de surse, cum ar fi demonstrații și simulări. Învățarea reprezentării pentru sarcinile robotizate trebuie să fie generalizată și robustă. Voi descrie câteva ingrediente cheie pentru a permite acest lucru: (1) învățare robustă auto-supravegheată (2) conștientizarea incertitudinii (3) compoziționalitate. Utilizăm NVIDIA Isaac pentru învățarea robotică accelerată de GPU la scară pe o varietate de sarcini și domenii.
00:48 Învățare generalizată pentru robotică
01:53 Trinity of Generalizable AI
05:08 Lumea fizică dacă este continuă
07:08 Problemă motivantă în robotică
08:35 Estimarea de stat prin observatorul PDE
09:59 Învățare fără grilă pentru fenomene continue
12:32 Operator Neural
15:02 Transformarea Fourier pentru convoluția globală
16:06 FNO: Operator Neural Fourier
18:34 Prima metodă ML pentru a rezolva fluxul de fluid
25:42 Nvidia Modulus
29:08 Operational Space Control (OSC)
38:54 Reducerea supravegherii și sporirea robusteței
47:06 Concluzie
Aflați mai multe despre programul și cursurile de robotică Stanford Online aici: https://online.stanford.edu/programs/robotics-and-autonomous-systems-graduate-program
Cursuri interesante:
- Seminar de la Stanford – Către o autonomie generalizabilă: dualitatea descoperirii și părtinirii
- Seminar web Stanford – Frontiera învățării profunde pentru robotică, Chelsea Finn
- Stanford CS330 I Pre-formare nesupravegheată: Învățare contrastantă l 2022 I Cursul 7
- Jen-Hsun Huang: student și antreprenor la Stanford, co-fondator și CEO al NVIDIA
- Stanford CS330 Deep Multi-Task & Meta Learning – Ce este învățarea multi-task? I 2022 I Cursul 1
- Seminar Stanford – Puterea reprezentărilor vizuale
- Stanford CS224W: Învățare automată cu grafice | 2021 | Cursul 1.2 – Aplicații ale graficului ML
- Stanford CS25: V3 I Inteligență încorporată de nivel scăzut cu modele de bază
- Seminar Stanford – Conectarea roboticii și modelelor de fundație, Brian Ichter de la Google DeepMind
- Seminar Stanford – Alinierea reprezentărilor robot și umane