FM Chang Rajani puollustaa väitöskirjaansa "From Optics to Robotics: Machine Learning in the Real World" perjantaina 19.5.2023 klo 12 Helsingin yliopiston Exactum-rakennuksen auditoriossa B123 (Pietari Kalmin katu 5, 1. kerros). Vastaväittäjänä toimii apulaisprofessori Joni Pajarinen (Aalto-yliopisto) ja kustoksena apulaisprofessori Arto Klami (Helsingin yliopisto). Väitöstilaisuus pidetään englanniksi.
Chang Rajanin väitöskirja on osa Helsingin yliopiston tietojenkäsittelytieteen osastolla ja Multi-source Probabilistic Inference -ryhmässä tehtävää tutkimusta. Väitöskirjan ohjaajana on toiminut apulaisprofessori Arto Klami (Helsingin yliopisto).
Optiikasta robotiikkaan: tosielämän koneoppimista
Käyttäen koneoppimista tietokoneohjelma voi oppia mallin tosielämän ilmiöstä suoraan datasta ilman, että ihmisen tarvitsee luetella sääntöjä siitä, miten maailma toimii. Koneoppimismenetelmät ovat erityisen hyödyllisiä, kun data on monimutkaista, kuten esimerkiksi kuvien tai äänen muodossa, sillä niille on vaikea luoda sääntöjä. Eräs koneoppimisen alalaji, vahvistusoppiminen, mahdollistaa sen, että tietokoneagentti voi lisäksi oppia vuorovaikutuksesta ympäristönsä kanssa.
Tämä väitöskirja keskittyy automaattisesti ratkaisemaan koneoppimisella sellaisia vaikeita tosielämän tehtäviä, joissa sääntöpohjainen ratkaisu toimisi heikosti. Ensimmäinen tarkasteltava tehtävä on hyperspektrikuvantaminen, jossa pyritään tekemään kuvia, jotka sisältävät tietoa jatkuvasta aaltopituusalueesta normaalin kolmivärikuvan sijasta. Tälläinen tarkempi spektri-informaatio antaa mahdollisuuden selvittää tarkasti esimerkiksi, mistä materiaaleista asiat kuvassa koostuvat. Vaikka yleensä hyperspektrikuvantamiseen tarvitaan kalliita erityislaitteita, onnistuu spektrikuvan tuottaminen esitellyillä koneoppimisalgoritmeilla standardin digikameran ja passiivisen lisälaitteen avulla. Kokeemme osoittavat, että voimme tuottaa korkealaatuisia spektrikuvia.
Seuraava ongelma liittyy adaptiivisen optiikan järjestelmän ohjaukseen. Maasta tähtiä ja eksoplaneettoja kuvaavat teleskoopit joutuvat havaitsemaan valoa maan ilmakehän läpi, jossa turbulenssi aiheuttaa vääristymiä kuviin. Adaptiivisen optiikan järjestelmä käyttää ohjattavaa peiliä, jolla voidaan korjata vääristymä, olettaen, että sen muoto asetetaan oikeaksi. Järjestelmä tarvitsee hyvin toimiakseen tarkan ennustavan algoritmin, jonka tulee pystyä ohjaamaan peiliä tuhansia kertoja sekunnissa. Esittelemme ongelmaan ensimmäisen vahvistusoppimiseen pohjautuvan algoritmin, joka opitaan käyttäen vuorovaikutusta ympäristön kanssa, ja näytämme sen toimivan sekä simulaatiossa että oikealla laitteistolla.
Väitöskirjan viimeinen sovellusalue on robotiikka, jossa tehtävänä on jäljitellä ihmisen liikettä robotilla. Tästä tekee erityisen haastavan se, että käytetty robotti ja ihminen poikkeavat suuresti fyysisiltä ominaisuuksiltaan. Esittelemme algoritmin, joka oppii robotin käytöksen lisäksi myös sen fyysisen olomuodon. Tämä lisäys mahdollistaa ihmisestä liikkeenkaappauksella nauhoitettujen toimintojen tarkan jäljittelyn.
Väitöskirjan saatavuus
Väitöskirjan elektroninen versio tulee olemaan saatavilla Helsingin yliopiston e-thesis-palvelussa osoitteessa http://urn.fi/URN:ISBN:978-951-51-9233-2.
Painettuja väitöskirjoja voi tiedustella väittelijältä itseltään: chang.rajani@helsinki.fi.