孙燕姿Tellex在布朗大学计算机科学助理教授，是解决一个棘手的问题，机器人：机器人的把握。她建立了一个机器学习模型，使机器人能够自动学习操作对象，并且可以产生与其他研究人员可以用它来训练机器人拿起对象急需的样本数据，她在解释MIT技术评论的EmTech会议。
视频来源：麻省理工科技评论
打开她的充满活力和激情的谈话，Tellex陈述的问题：
“大多数的机器人不能拾取大多数对象的大部分时间。如果你去一个机器人实验室，把一个物体的机器人，它以前没有见过的面前，那机器人几乎总是无法捡起物体。”
这是一个问题，因为机器人已经明白任务，从传感器信息的对象。机器人手臂的控制需要回答的重要问题：什么是物体的形状，它在哪里，应该如何机械臂和夹持器移动到位置和是正确的地方抓取物体把它捡起来？
研究人员编程机器人拿起特定对象，使用硬编码的程序的工作只有一小部分的对象。广义的解决方案，将通过拾取任何不熟悉的对象和移动它的周期控制机器人的把握还没有被开发出来。
机器学习模型Tellex建立让她的实验室机器人的错误中学习，经过反复试验，直到它成功地把握对象。试错学习产生的数据集的对象，与对象的抓取器的相互作用的图像和失败和成功的尝试。
的机器人的练习的副产品是一个数据集变成机器学习样本数据来训练其他机器人拿起相似的对象。但在Tellex实验室巴克斯特机器人不会产生足够的样本数据的速度不够快，有一定影响。要解决此问题，Tellex推出百万挑战对象招募所有拥有全世界400个巴克斯特研究机器人能对他们的闲置机器人她的机器学习模型获取数据集一百万对象的实验室。
为什么样的训练数据是非常重要的
其他机器学习的应用，如自动驾驶汽车和形象的了解，近年来，因为在这些领域火车机器学习模型提供的样本数据的丰富的进展迅速。为什么机器人滞后的原因是样本数据的缺乏量训练神经网络，指导机器人的把握。
Nvidia公司
使用标记的数据，列车机器学习模型的最广泛的理解的例子是图像识别。每年，图像识别的准确度由每年的结果提高了测量ImageNet竞争，目前站在90上方日百分。改善可以归因于转向深机器学习和非常大的样本数据集。数以百万计标记图像集在学术研究使用，如果谷歌，Facebook和其他在线图像存储库进行计数，有数十亿的图像。
如何神经网络工作
神经网络是一个计算系统由几个简单的向上的，高度互连的处理元件，通过他们的动态响应于外部输入过程的信息。它是由训练有素的处理大量的标签数据来了解特定应用的案例。鸟的图像被标记为鸟，汽车的图像被标记为汽车等非常大的图像的样品还原为像素并被处理过使用通用的机器学习软件，如火炬或Tensorflow，在神经运行网络训练它在照片中识别的对象。
威斯康星大学
在这种情况下的输入层是一大组标记的图像;输出层是描述如汽车和汽车不所述图像的标签。处理元件的隐藏层，通常被称为神经元，产生中间值，该机器通过一个普通的学习算法学习的软件过程，关联调用车与标签图像的权重的中间值。
然后将样品数据重新处理，但没有标签来测试模型的准确性预测的标签。结果进行了比较，并且误差被校正，并反馈到神经网络来调整如何算法分配权重。纠错迭代，直到正确预测的概率被优化。
自动驾驶汽车学车同样的方式。样本数据集是在前进的道路的3D视频录制和转向角度拍摄的，而一个人的驱动器特殊装备的汽车。该日志被输入到机器学习系统，列车算法正确运用转向角度的视频。这个过程被重复直到驱动模型是精确的操控车辆。
样本图像的训练图像识别系统的信息库是巨大的。和自动驾驶汽车有大样本数据集。谷歌已经提高其自动驾驶汽车超过一百万英里，特斯拉接近一亿英里，创造标有车轮角度样本大量的数据。没有相当的数据集的存在是为了训练机器人拿起对象。
百万挑战对象
Tellex的百万对象的挑战，如果成功的话，会产生样本数据在同一范围内的图像识别更多的学术研究，一个日产准确把握机器人。她解释其他挑战，如标准化的数据，并把它应用到不同类型的夹具和机器人的手，虽然像杰森一家的罗茜一个家用机器人，是远的未来。