Dobb-E: AI-raamwerk voor huishoudrobots
Dobb-E is een innovatief open-source framework dat is ontworpen om de mogelijkheden van huishoudrobots te verbeteren door middel van imitatie leren. Dit systeem pakt de veelvoorkomende beperkingen in de thuisrobotica aan door gebruik te maken van een betaalbaar en gebruiksvriendelijk hulpmiddel genaamd de Stick. Gemaakt van een $25 Reacher-grabber stick, 3D-geprinte componenten en een iPhone, vergemakkelijkt de Stick de verzameling van waardevolle demonstratiegegevens. Het framework maakt gebruik van een uitgebreide dataset die bekend staat als Homes of New York (HoNY), die 13 uur aan interacties uit 22 verschillende huizen bevat, verrijkt met RGB- en dieptevideo's en gedetailleerde actieannotaties.
De kern van Dobb-E's functionaliteit ligt in het vermogen om een representatie-leermodel te trainen dat Home Pretrained Representations (HPR) wordt genoemd, gebaseerd op de ResNet-34-architectuur. Dit model maakt gebruik van zelfgestuurd leren om robots uit te rusten met de vaardigheden die nodig zijn om nieuwe taken uit te voeren in onbekende omgevingen. Met een indrukwekkend gemiddeld succespercentage van 81% bij het oplossen van nieuwe taken binnen 15 minuten, biedt Dobb-E toegang tot voorgetrainde modellen, code en uitgebreide documentatie via GitHub, samen met een onderzoeksdocument dat de methodologie in detail beschrijft.
