“Lifelong Learning approach for robots interacting in the real world”

Abstract

Gli esseri umani hanno la capacità di imparare nuove informazioni senza interferire catastroficamente con la conoscenza precedentemente acquisita. Sebbene l'IA abbia prodotto risultati veramente eccezionali, allo stato attuale le reti neurali non sono biologicamente intelligenti. Infatti sono capaci di eseguire solamente quei compiti per la quale sono specificatamente allenate. Tuttavia non è possibile preparare un training set per ogni possibile situazione futura. Questo significa che le applicazione prima o poi subiranno malfunzionamenti in situazioni non previste. L'obbiettivo di questa tesi è indagare sistemi per apprendimento continuo in grado di imparare sempre nuove informazioni mantenendo memoria dei singoli eventi. L'apprendimento continuo è una importante sfida per le reti neurali. La maggior parte dei lavori riguardanti l'apprendimento continuo presenti in letteratura hanno svolti esperimenti per problemi di classificazione usando dati che non rappresentano la complessità degli stimoli che un sistema artificiale deve gestire nel mondo reale. Questa tesi offre una descrizione degli algoritmi di apprendimento continuo applicato ad un problema di regressione. In particolare ho indagato l'uso dell'algoritmo Variational Continual Learning per il rilevamento del grasping robotico. Infatti gli umani sono abbastanza bravi ad afferrare gli oggetti perché fin da piccoli si allenano ad afferrare oggetti provando e sbagliando. Replicare una infanzia robotica sarebbe un approccio difficile e dispendioso in termini di tempo. In passato i ricercatori hanno sviluppato algoritmi per risolvere problemi specifici. Tuttavia creare un algoritmo per afferrare ogni oggetto esistente è praticamente impossibile. Pertanto sono necessari robots capaci di operare in un ambiente non strutturato . In questa tesi mi focalizzerò su metodi di apprendimento profondo applicato al rilevamento di grasping robotici nel contesto della ricerca sui sistemi ad apprendimento continuo.

Human beings have the amazing ability to learn novel information without catastrophically interfering with previously acquired knowledge. Although the AI and Machine Learning results are very outstanding the current neural network systems are not ”biologically” intelligent. They are able to perform only those tasks for which they are specifically trained. There is no possibility to prepare a training set for all possible futures. It means that applications sooner or later will undergo malfunctions in unseen circumstances. The goal of this thesis is to investigate Continual Learning systems that learn more as they see more inputs as well as retaining episodic memories. Continual Learning is a long-lasting challenge for neural network systems and machine learning. Most of the Continual Learning works present in literature perform classification problems using datasets that does not reflect the complexity of the stimuli that an artificial system has to manage in the real world. This thesis offers an insight to Continual Learning algorithms applied to regression tasks. In particular I investigate the use of Variational Continual Learning for the Robotic Grasping detection task. In fact humans are pretty good at grasping objects because since they were very little, they train themselves to pick objects up trying and failing. They learn from experiences. Replicating a robotic childhood would be a difficult and time-consuming approach. In the past, researchers has carried out task-specific algorithms for grasping different kind of objects. Creating a grasping method for every existing object form is practically impossible. Therefore robots able to operate in unstructured environment are necessary. In this thesis I will focus in particular on deep learning methods applied to the Robotic Grasp Detection system in the context of Continual Learning research.