人工智能入门
   对于那些了解我们的人来说,我们从1989年起就在研究和生产适用于学术上教学和科研的平台,并颠覆了原有的教学市场。从基本控制和机电一体化平台到机器人和无人驾驶车辆系统的前沿课题,世界各地的使用者使用我们的产品在搭建理论与实践间的桥梁,缩小理论和实践之间的差距。

   我们经常被问到,Quanser的产品是否可以在课堂上以一种无障碍、实际操作的方式介绍人工智能等现代课题?当然!从QUBE Servo 2到我们的自动驾驶汽车研究工作室(SDRS),我们的许多产品都配备了传感器和计算平台,支持教授讲授各种从基础到高级的人工智能课题。


什么是人工智能?

   智能是两个高级互补概念的集合:经验和学习。我们将经验定义为事件、想法或知识的集合,以及相互关联的链接。


Picture1

   经验可以让你把一些信息放在一起,共同做出推论。另一方面,学习是一个增加个人整体经验的过程,即获得更多的知识和发展新的关系。学习能让你在需要时尤其是在新的情况下,提高依赖现有经验的能力。人工智能是智能的数学表示和算法实现。例如,表示经验的数据结构集合,以及允许您扩展存储的经验(即学习)的函数。


学习方法

   学习的三种关键方法:监督学习、无监督学习和强化学习。记住,作为AI算法的一部分,我们选择执行的方法取决于手头的问题。


1
   在监督学习中,让我们的系统知道问题的答案,但不知道为什么该答案是正确的,或者它应该如何得出该答案。实现监督学习的人工智能,根据手边的问题和提供的答案,通过自己建立连接来改善其体验。

   下面的视频是一个AI算法的例子,该算法使用两个Qunaser 的Qcar实现监督学习。在左边,我们的第一辆车是手动驾驶的,我们从摄像头收集深度和RGB数据,以及转向命令。然后数据被传递给人工智能算法,该算法学习复制驾驶行为。在右边,可以看到第二辆车会根据第一辆车给出的正确轨迹自动绕着赛道行驶。
   在强化学习中,我们在整个系统中不提供正确答案,而是对对我们有利的行动给予奖励。下面的例子展示了QUBE-Servo 2(旋转倒立摆)如何使用强化学习平衡摆并起摆的过程。最左边的视频显示开始学习系统的行为,但是当你向右边前进时,系统会发现平衡摆是一种奖励系统的行为。所以随着时间的推移,它学会了如何非常有效地平衡倒立摆。

   在无监督学习中,我们给AI 算法提供数据,AI算法可以对数据进行分类或对信息进行推断,尽管没有正确的答案。例如,如果您将 1000 张不同汽车的图像提供给使用无监督学习的 AI 系统,它可能会不断重复并根据颜色、形状、大小甚至品牌对它们进行分类

迁移学习

   与学习密切相关的是迁移学习的概念。它是利用预先训练过的人工智能系统的经验,为特定问题开发新的连接的过程。以AlexNet为例,它是一个流行的卷积神经网络(CNN)体系结构,经过预先训练可以识别大约1000种不同的常见形状、轮廓和事件对象,如监视器、水果、狗等。当AlexNet预测一个物体时,它会根据不同的想法进行推断。例如,它可能看着一个物体,说它是矩形的,有黑色边框,里面有明亮的彩色像素,推断出它一定是一台电视机。迁移学习让像AlexNet这样的网络保持其确定这些特征的经验和技能,并学会用它来识别新的对象。在下面的视频中,我们使用AlexNet并训练它正确地识别几种Quanser产品。我们给它提供了超过1万张这些产品的图片。

软件平台

   有几种软件平台可用于实现人工智能算法。其中包括MATLAB等编程环境® 语言是C++和Python。幸运的是,您不必从头开始编写代码,因为应用程序框架,如TensorFlow、PyTorch和各种MATLAB工具箱(如Deep Learning toolbox)™) 允许您快速部署您的人工智能代码。

Capture-768x391
   然而,请记住,人工智能算法的训练和部署可能是计算上的开销,这就是为什么许多人依赖具有强大图形处理单元(GPU)的pc来运行代码的原因。GPU加速库,如nvidiacudnn和TensorRT,允许用户利用GPU的强大功能。或者,你可以利用云环境的强大功能,比如亚马逊网络服务(amazonwebservices)和谷歌(Google)。在这种情况下,您将从系统获取的传感器数据上传到云端,然后云端运行AI算法,并将结果发送回系统。这种方法的好处之一是减少了计算机维护。

该文章由我们研发工程师Murtaza Bohra 所写

分享到: