A tárgyakat detektáló, felismerő rendszerek általában csak azokkal az objektumokkal boldogulnak, amelyeket a korábbi gyakorlásaikhoz használt adatokban már felcímkéztek. Úgy tűnik, hogy egy új módszerrel könnyebb lesz a munkájuk, és így több tárgyat tudnak a képen belül lokalizálni és felismerni.

A Google Research kutatói által fejlesztett Vision and Language Knowledge Distillation (ViLD) segítségével kialakítható rendszerek olyan tárgyosztályokat is kezelnek, amelyekkel nem gyakoroltak. „Lövés” nélkül detektálják őket (zero-shot object detector).

A ViLD munkájához felhasználja egy, hasonló elven működő osztályozó (CLIP) által generált tárgyreprezentációkat.

Adatokból sokszor bonyolult kinyerni az információt, az ismeretek szakszerű megtisztítása („lepárlása”) nélkül nehezen megy. Ez úgy történik, hogy a modell általában megtanulja utánozni egy másik modell outputját. Ehhez hasonlóan, azt is elsajátítja, hogy hogyan utánozzon egy másik által generált reprezentációkat.

A képenként több részt és osztályozást kódoló tárgyfelismerők reprezentációi megegyezhetnek a képenként egyetlen osztályt kódoló osztályozók reprezentációival. A felismerő-modell a több objektumot megjelenítő képek tárgyait, a képen való elhelyezkedésük alapján, különböző részekbe rendezi – vágja ki – az osztályozó számára. A tárgyfelismerő ezt követően tanulja meg, hogy az osztályozó hogyan reprezentálta a részeket (a kép „területi egységeit”).

A korábbi hasonló rendszereket több százmillió kép-szövegpáron gyakoroltatták. A felhasználó megadta nekik a felismerendő osztályok szöveges listáját. A gép kapott egy képet, és a legvalószínűbb tárgyosztályra következtetett belőle.

A Google kutatói szegmentált és felcímkézett tárgyosztályok képein gyakorolt tárgydetektorral bővítettek egy ilyen rendszert. Teljesítményét korábbi megoldásokkal hasonlították össze, és kiderült, hogy pontosabban dolgozik, mint a felügyelet melletti tanuláson (supervised learning) alapuló modellek, azaz a használatban lévő rendszerek zöme.

De miért fontos ez?

Azért, mert a tárgyosztályozó modellek nehezen és drágán tanulnak a nagy és heterogén adatsorokon. A ViLD megoldhatja ezt a problémát, kevesebb képből jobb eredményeket hoz ki, felgyorsítja a munkát.

Egy 2019-es felmérésből kiderült, hogy az állásinterjúk elbírálásához – világviszonylatban – a cégek negyven százaléka használ mesterséges intelligenciát. Ugyanakkor egyre több tanulmány figyelmeztet a rendszerek hiányosságaira.

A Bajor Közszolgálati Műsorszolgáltatás februári anyaga kimutatta, hogy kiegészítők, például a szemüveg és a fejkendő, illetve a háttérben lévő tárgyak – képek, könyvespolcok stb. – jelentősen befolyásolják egy német videóinterjú-platform automatizált értékelését.

A LinkedIn 2018-ban állapította meg, hogy az állások betöltésére javaslatot tevő egyik algoritmusuk a férfi jelentkezőket részesíti előnyben. Az algoritmust elfogultságmentes másikkal helyettesítették.

A Twitter és amerikai egyetemek közös anyaga mátrixot javasol az automatizált munkaerő-felvevő rendszerek pontozásához. Így próbálják megakadályozni például a hangintonációnak vagy egyes arckifejezéseknek túlzott jelentőseget tulajdonító algoritmusok hibáit.

Munkáltató és munkaerő társítása nüánszokon múló folyamat, ezért a legnagyobb szigorra van szükség, ha automatizálni akarjuk. Gyengébb algoritmusok megakadályozhatják, hogy a legalkalmasabb jelentkezők töltsenek be egy-egy állást, a munkáltatók pedig elszalaszthatják az ideális munkaerőt.

Egy független felmérés szerzői az állásinterjúkat automatizáló MyInterview és Curious Thing működését elemezték. Kiderült például, hogy magas pontszámot adtak egy csak németül megszólaló személy angol nyelvtudására.

Mindkét platformon kamu álláshirdetést adtak fel, amelyben hivatali ügyintézőt kerestek. A megadott eszközök kiválasztották az ideális munkaalanyról döntő kérdéseket. A felmérést végzők közül egy riporter jelentkezett a hirdetésre, és az interjúkon németül írt Wikipédia-szócikkből olvasott fel.

A MyInterview a jelentkezők beszédét és testbeszédét elemezve pontoz. A németül beszélő válaszait nonszensz angolként értelmezte, de ennek ellenére úgy ítélte meg, hogy 73 százalékban alkalmas az állásra.

A vállalat egyik szóvivője elmondta, hogy az algoritmus inkább az interjúalany hangjából kikövetkeztetett személyiségjegyek, és nem a válaszok tartalma alapján pontozott.

A telefoninterjúkat elemző Curious Thing algoritmusa a megszerezhető kilencből hat pontot adott a kizárólag németül beszélő személy angol nyelvtudására.

Egyértelmű, hogy az ilyen hibákat elkövető mesterségesintelligencia-rendszerek nem alkalmasak a kritikus döntést igénylő feladatra.

Az utóbbi években virálissá váltak a Boston Dynamics és más vállalatok robotjait megörökítő videók. A technológiai csodák láttán elképedünk, ámulunk, bámulunk. Valóban lenyűgözőek, viszont a gépeket általában pont a látott speciális mozgásokra, forgatókönyvekre programozzák, és ha a feltételek megváltoznak, nem tudnak alkalmazkodni hozzájuk.

Ha egy robotnak csak lapos talajon kell navigálnia, a kerekes megoldás egyszerűbb és megbízhatóbb. Ha a terep durva és egyenetlen, célszerűbbnek tűnnek a lábak. Utóbbiak többek között tűzoltásnál, katasztrófa sújtotta övezetek bejárásánál lehetnek fontosak.

A Berkeley-i Kaliforniai Egyetem, a Carnegie Mellon Egyetem (CMU) és a Facebook kutatói a problémára választ keresve, négylábú gépek szokatlan és gyorsan változó terepen történő navigációját, mozgását, váratlan akadályok elkerülését biztosító, megerősítéses tanulás (reinforcement learning) alapú rendszert fejlesztettek.

A Rapid Motor Adaptation (RMA) nevű rendszer majdnem valósidőben működik; a robot egyenetlen terepeken – sáros ösvényeken, bozótos közegen, olajfoltos műanyaglapon – haladt keresztül, nagyon ritkán esett el menet közben.

A rendszer két, egyaránt szimulációban begyakoroltatott algoritmusból áll. A megerősítéses tanulás komponens a helyváltoztatás alapjainak irányítását tanulja meg, míg az adaptációs modul a környezet megjelenítését sajátítja el.

A két algoritmus aszinkron futott egy számítási eszközön. A végtagok és ízületek fél másodperccel korábbi adatait elemezve, azokhoz alkalmazkodva állították be a gép járását.

A teszteken a robot a szimulációban nem észlelt feltételek mellett, például törmelékhalmok között, rosszul kialakított lépcsőkön tevékenykedett. A feladatokat többször úgy ismételte meg, hogy közben különböző tömegű terheket cipelt.

Mindegyik forgatókönyvben hetven százalékosan vagy jobban teljesített. Amikor elesett, a malőrt vagy mindkét elülső lábát akadályozó törmelékek, vagy a lépcső felületének durva egyenetlenségei, dudorodások stb. okozták.

Az RMA egyike azon kevés robotikus rendszereknek, amelyeket nem kell az összes valószínűsíthető tereptípusra begyakoroltatni.

Az okosváros-technológiák kreatívabbá és élvezetesebbé tehetik az urbánus életet, ugyanakkor magukban hordják a tömeges megfigyelés, a magánéletünkben leskelődő Nagy Testvér veszélyét is. Az ilyen projekteken dolgozó szabályozóknak és fejlesztőknek célszerű lenne világméretű vitát folytatni a magánélet (privacy) és a csúcstechnológia kapcsolatának megfelelő szabványairól, és a rendszereket az egyén jogainak maximális figyelembevételével tervezni.

A Nvidia, az önvezető technológiákkal foglalkozó QCraft és több egyetem 2017-ben indította el az okos város (smart city) technológiák éves versenyét, az AI City Challenge-et. A név magáért beszél: a technológiák közül a mesterséges intelligencián, az okosváros-technológiák közül pedig a közlekedésen a hangsúly.

Az idei megmérettetésen taroltak a kínaiak, most fordult elő először, hogy a forgalomfigyelés összes kategóriájában ők nyertek. Harmincnyolc ország többszáz versenyzője felett diadalmaskodtak. Az első három évben az Egyesült Államok uralta a versenyt, de nagyon úgy tűnik, hogy vége az amerikai hegemóniának.

305 csapat nevezett az öt versenypálya legalább egyikére, pályánként mindegyik ugyanazokat a gyakorló- és tesztadatokat használta.

A kereszteződésnél jobbra, balra forduló, vagy egyenesen továbbhajtó járművek számlálását a Baidu és a Sun Yat-sen Egyetem csapata nyerte.

Egy-egy jármű többkamerás követésében az Alibaba diadalmaskodott.

Több jármű a város különféle pontjain elhelyezett kamerákkal való követésében szintén az Alibaba – a Kínai Tudományos Akadémia Egyetemével kiegészült – csapata lett az első.
Karambolok, lerobbant autók és más közlekedési rendellenességek észlelésében a Baidu és partnere, a Sencseni Fejlett Technológiai Intézet szerezte meg az aranyérmet.

A tavalyi évhez képest új kategóriában, a járművek természetes nyelvű leírással történő felismerésében az Alibaba nyert. Két partnere volt: a Zhejiang Egyetem és – kakukktojásként – a Sydney Műszaki Egyetem.

A verseny újabb bizonyítéka, hogy Kína mennyire komolyan veszi a mesterséges intelligenciát, és milyen gyorsan fejlődik a területen. Árulkodó, hogy a távol-keleti ország kormánya eddig többszáz okosváros-programot támogatott anyagilag, míg az amerikai állami finanszírozás kimerül néhány ösztöndíjban, versenyek kiírásában.

Több magányos tudós évek óta figyelmeztet a napenergia-ipar dinamikus fejlődését veszélyeztető problémára. Lényege, hogy annál kevesebbet ér a napenergia, minél többet adunk a hálózathoz,

A napelemek elsősorban nyáron nagyon sok, gyakran a szükségesnél több elektromosságot generálnak. Ezzel lemennek az árak – olyannyira, hogy időnként már a negatív tartományban vannak.

A földgáz-üzemektől eltérően, a naperőművek működtetői nehezen tudják a szükségleteknek megfelelően szabályozni az áramellátást – gondoljunk csak az éjszakákra vagy a sötét téli nappalokra. Az energia akkor érhető el, ha süt a Nap.

Egy friss tanulmány szerint a világ egyik legnagyobb napenergia-termelője, Kalifornia egyre inkább szembesül a napérték defláció néven ismert problémával. Más forrásokból származó villamosenergia-árakhoz képest, a szövetségi állam napenergiájának átlagos nagykereskedelmi ára 2014 óta 37 százalékkal csökkent. Az ingadozó termelési mintázatok miatt a közművek kevesebbet fizetnek napelemekért, mint az összes többi energiaforrásért.

A fogyasztóknak hiába vonzó az áresés, a jelenség fenyegető, mert lehűti a napenergia-kapacitás klímacélokra rímelő növelésébe vetett reményeinket. A fejlesztőket és a befektetőket nehéz lesz meggyőzni újabb naperőművek építéséről. Intő jel a kaliforniai építkezések 2018 óta tartó stagnálása. Ha ragaszkodnak az ambiciózus energetikai célkitűzésekhez (és muszáj ragaszkodnunk hozzájuk), akkor fel kell gyorsítani a fejlesztéseket.

Kalifornia egyelőre az egész világot fenyegető probléma szűk keresztmetszete. A napenergia-felhasználás Nevadában és Hawaiion, de például Görögországban, Olaszországban és Németországban is gyors ütemben nő, és hiába egyre olcsóbb az erőművek építése, működtetése, így sem tudják ellensúlyozni a deflációt. Már csak azért sem, mert ezek az árak ugyan esnek, de jóval több létesítményt kell felhúzni és üzemeltetni, mint mondjuk, öt éve. Az összkiadások 2022-ben mehetnek a bevételek alá, tehát pusztán gazdasági szempontból nem lesz értelme a napenergiának.

2018-ban lépett érvénybe a törvény, mely szerint 2045-ben Kalifornia csak megújuló és zéró széndioxid-kibocsátású energiaforrásokat használhat. A tervek alapján hatvan százalékuk napenergia lesz. A tanulmányból viszont megtudjuk azt is, hogy a maiakhoz képest további 85 százalékkal esnek addigra az árak.

A probléma elvileg többféleképpen kezelhető, de egyik megoldás sem tesz csodát. Jöhetnek új anyagok és technológiák, a hálózatok működtetői több energiát tárolhatnak (ami szintén drága), államok még nagyobb mértékben támogathatják a napenergia-felhasználást, módosulhatnak a felhasználói szokásaink stb.

Mindegyik könnyíti a tiszta energiára való átállást, de sok pénz és idő is kell hozzájuk.

A Föld száz legkárosabb invazív fajának listáján szereplő, több fertőző betegség terjesztésére képes ázsiai tigrisszúnyog lábai és teste egyaránt fekete-fehér csíkozásúak – ezért a csíkozásért kapta a nevét. Délkelet-Ázsiában, trópusi és szubtrópusi környezetekben őshonos, de az elmúlt évtizedek nemzetközi személy- és áruszállításának felgyorsulásával rendkívüli módon elszaporodott; ma már a világ egyik legdrasztikusabban terjedő faja.

Barcelonai kutatók az állatot önkéntesek által okostelefonnal készített és a Mosquito Alert oldalra feltöltött nagymennyiségű kép alapján azonosító módszert dolgoztak ki.

A szúnyogveszélyre figyelmeztető honlap környezetvédő szervezetek által támogatott közösségi kezdeményezés, amelyben a módszert kitaláló kutatók is részt vesznek. Magát a platformot 2015-ben alapították.

A képek az állatokról és szaporodásuk helyszíneiről is szolgáltatnak fontos információkat. Az adatokat eddig szakértők dolgozták fel, ők állapították meg, hogy hol vannak a betegségeket hordozó fajok, és értesítették az illetékes hatóságokat. Azaz, egy egyszerű appal és egy fényképpel bárki hozzájárulhat a veszélyes szúnyogok világtérképéhez.

Az állatok azonosítása kulcsfontosságú, az adott szúnyog fajtáját viszont nehéz megállapítani. Némi leegyszerűsítéssel: az emberi szemnek minden szúnyog hasonló. A fényképek sokszor homályosak, más objektumokat is ábrázolnak, nem közeliek, és ezek a tényezők tovább bonyolítják a tigrisszúnyog felismerését. De általában még a közelképeket sem úgy készítették, mintha szakértő örökítette volna meg a kártevőket. Több képen halott szúnyogok láthatók, az ő testmintázataik pedig mások, mint az élőké.

Az azonosítás laborokban történik, sokáig elhúzódik, és drága is, miközben az invaziv fajok nagyon gyorsan elterjednek. Itt jön képbe az MI, a mesterséges ideghálók, és az új fejlesztéssel valószínűleg jobban kontrollálható az állatok elszaporodása.

Mivel a mély ideghálók képesek nagymennyiségű információt feldolgozni, a Mosquito Alert képi adatbázisa remek terep nekik. Még a szakértői szemek számára kvázi észrevétlen variánsokat is meglátják, automatizálják a manuális munkát. Az új módszerrel eddig is nagyjából ugyanolyan eredmények érhetők el, mintha humán specialisták azonosítanák a tigrisszúnyogokat, és ez még csak a kezdet. A jövőben az MI valószínűleg egyre jobb eredményeket ér el.

Robotok elvileg sokféleképpen segíthetnek mozgáskorlátozott személyeknek. Tudósok évek óta kísérleteznek például agyi úton irányított gép-végtagokkal, úgynevezett „telejelenlét robotokkal.”

De ruhák felvételében is közreműködhetnek, ami nagyon komoly kihívás. A biztonsági feltételek mellett ügyesség, gyorsaság kell hozzá. Az MIT (Massachusetts Institute of Technology) Számítástudományi és Mesterséges Intelligencia Laboratóriumában pont ezzel próbálkoznak.

Ottani kutatók szembe menve a korábbi gyakorlattal, az összes robot-ember fizikai érintkezés kizárása helyett, engedélyezik a nem káros kontaktusokat, ebben a szellemben fejlesztett algoritmusuk így próbál egyensúlyt teremteni.

Az ember úgy van „huzalozva”, hogy más emberekhez alkalmazkodjon, cselekedeteit összhangba hozza velük. Egy robotnak viszont a semmiből kell megtanulnia mindezt.

Például, mivel tudjuk, hogy melyik ruhadarabot hova kell felvenni, hol hajlítják be a karjukat, és mondjuk, a pulóver hogyan reagál ezekre a mozdulatokra, viszonylag könnyen segítünk másoknak az öltözködésben. Egy robotba azonban be kell programozni az összes információt.

A korábbi algoritmusok biztonsági okokból megakadályozták, hogy robotok bármilyen fizikai kapcsolatba kerüljenek emberekkel. A koncepció a „lefagyó robot” problémájához vezet – a gép lényegében befejezi a mozgást, semmilyen rábízott feladatot nem tud már végrehajtani.

Erre a problémára fejlesztett Shen Li PhD-hallgató a gép biztonságos mozgását újradefiniáló algoritmust. Az összeütközés-elkerülés mellett, a kockázatmentes érintkezés mindaddig engedélyezett, amíg a kontaktus nem jelentős. A robot így valóban segíthet embereknek.

„A fizikai károkozás a feladat eredményes végrehajtásának kockáztatása nélküli megelőzése kritikus kihívás. Ezt garantálva, módszerünkkel megtalálhatók azok a hatékony robotmozdulatok, amelyekkel a gép biztonságosan felöltöztethet embereket” – magyarázza Li.

Egy egyszerű feladatnál a rendszer még akkor is működött, ha közben az illető mással volt elfoglalva: telefonált. A korábbi egyetlen modellre való hagyatkozás helyett, különféle szituációkra kombinált össze változatos modelleket.

Az MIT-kutatók a fejlesztés kezdetén tartanak, de ha beválik, az algoritmus az öltöztetés mellett más területeken is hasznosítható lesz, robotok nemcsak elvileg, hanem ténylegesen is sokkal többet segíthetnek mozgássérült személyeknek.

A NASA új hatkerekű marsi robotja, a Perseverance terepjáró az élet jeleit keresi a vörös bolygó egyik kráterében. Ez a feladat azzal jár, hogy az irányítócsapatnak alaposan ki kellett dolgoznia a navigációt, megtervezni az útvonalakat, ugyanakkor a gép egyre önműködőbb módban funkcionál.

Az irányítóknak ezt a munkáját megkönnyíti a rover saját magát navigáló rendszere, az AutoNav. Földi utasítások nélkül készít 3D térképeket a terepről, azonosítja a kockázati tényezőket, megtervezi az akadályok körüli mozgást.

„Az ember rendelkezik a vezetés közbeni gondolkodás képességével. A terepjáró az autonóm vezetésről gondolkozik, miközben a kerekei megfordulnak” – von párhuzamot az emberrel Vandi Verma, a NASA egyik marsjáró-tervezője.

A Perseverance-t más fejlesztések mellett ez a képessége is alkalmassá teszi, hogy elődjénél, az AutoNav korai változatával felszerelt Curiosity-nál gyorsabban, óránkénti 120 méter csúcssebességgel mozogjon. (A Curiosity mindössze húsz méterre képes.)

Kerekeit is úgy alakították ki, hogy a hardver kompatibilisebb legyen a szoftverrel. Egyik számítógépét csak navigációra használja, míg központi komputere a többi feladatot hajtja végre, például biztosítja, hogy a jármű ép maradjon.

A többször frissített AutoNav kulcsszerepet tölt be az egykori – évmilliárdokkal ezelőtti – tó, mai kráter bejárásában. A Mars sokkal nedvesebb volt akkor, mint ma, és a Perseverance úticélja a kráter végén lévő kiszáradt folyó torkolata. Ha a vörös bolygón volt valaha is élet, a nyomait ott kell keresni.

A jármű mintákat gyűjt, majd előkészítő munkát végez, hogy a talált kőzeteket el lehessen küldeni földi elemzésre. A korábbi próbálkozásokhoz képest fontos változás, hogy a terepet nem körbe-, hanem bejárja.

De hiába egyre tökéletesebb, a rover nem boldogulna, ha csak az AutoNav rendszert használná. A földi személyzet munkája kulcsfontosságú, csak az útvonaltervezésben teljes szakértői csoport vesz részt. A rádiójelek Föld és Mars közötti időcsúszása miatt egyszerű joystickkel nem irányítható a gép. A műholdképekből, 3D-szemüvegekkel stb. kinyert adatokon alapuló utasításokat eljuttatják a Marsra, és a terepjáró másnap végrehajtja azokat.

Kutatók sokat vitáznak arról, hogy milyen legyen egy mesterségesintelligencia-rendszer, fejlesztésekor mely tulajdonságaira figyeljenek leginkább, hogyan viszonyuljon az emberhez, környezetéhez, miként kommunikáljon a Homo sapiensszel.

Egy új tanulmány érdekes adatokat szolgáltat a vitához. 

A felhasználók a melegséget előnyben részesítik a képességekkel és kompetenciákkal szemben, ez a jegy minden másnál fontosabb – derül ki az Israel Institute of Technology (Technion) friss felméréséből.

A felsőoktatási intézmény júniusban megjelent anyagát több mint 1600 személy részvételével készítették, és a 2021-es Emberi tényezők számítógépes rendszerekben konferencián ismertették.

Melegségen a rendszer észlelhető szándékait, irányultságát értik. Az utóbbi néhány év több szabályozási törekvésére rímel, azaz olyan tulajdonságok tartoznak ebbe a kategóriába, mint a barátságosság, a segítőkészség, az őszinteség, a megbízhatóság és a moralitás.

Ezek a jegyek együtt határozzák meg az MI viszonyát az emberhez, és a potenciális felhasználók számára fontosabb a hozzánk fűződő kapcsolat, mint a rendszer bármely nagyszerű képessége.

Egy, a fogyasztó számára épített, „melegszívű” mesterséges intelligenciával még akkor is jobban szimpatizálunk, ha az sokkal kevesebb adaton gyakorolt, mint a mai csúcskategóriás gépitanulás-algoritmusok. Hiába dolgoznak ki nekünk egy, szuperfejlett mesterséges ideghálókkal működő rendszert, ha nem érezzük benne a melegséget, kevésbé fogunk szimpatizálni vele.

A felmérés készítői olyan mesterségesintelligencia-alkalmazásokra összpontosítottak, mint például a navigációs appok, a keresőmotorok és az ajánlórendszerek. Ez a megközelítés ellentétes a témában végzett többi kutatáséval, mert azok elsősorban virtuálisan vagy fizikailag jelenlévő rendszerekkel, például velünk beszélgető online botokkal (chatbot), ágensekkel vagy robotokkal foglalkoznak.

Az eredményekből kiindulva, a tanulmány szerzői szerint a fejlesztőknek a rendszer e tulajdonságát is kommunikálnia kell, jobban kell kommunikálnia a potenciális felhasználók felé.

Július 15-én autonóm robotkar repült a Nemzetközi Űrállomásra (ISS), ahol az orosz részlegen állt munkába. A gép a Nauka (oroszul tudomány) nevű, moszkvai fejlesztésű többrendeltetésű laboratóriumi modullal együtt indult útnak a kazahsztáni Bajkonurból.

Az Európai Robotkart (ERA) a kontinens meghatározó légjármű-ipari nagyvállalata, az Airbus által vezetett konzorcium építette az ESA (Európai Űrügynökség) számára.

A fejlesztés két évtizedig tartott, az alkatrészeket az Airbus hollandiai üzemében szerelték össze, ERA ott nyerte el végső formáját.

A gép két szimmetrikus, öt-öt méteres karjával iránytűre emlékeztet. A karok végére rugalmas kezeket illesztettek. ERA önállóan mozoghat az űrállomáson, bármihez hozzákapcsolhatja magát.

630 kilós tömegével nagyon könnyűnek számít. Alumínium- és szénrost-szerkezettel érték el ezt a számot, ami például azért is bámulatra méltó, mert akár nyolcezer kilós alkatrészeket is tud mozgatni, telepíteni. Precizitásával sincs gond, célpontjait öt milliméter pontossággal éri el. De ha kell űrhajósokat (amerikai asztronautákat és orosz kozmonautákat) is szállít az egyik munkaállomásról egy másikra.

Az űrhajósok az űrállomáson vagy valósidőben irányítják a kart, vagy előre programozzák, hogy aztán egyedül oldja meg a feladatokat. A közepén található kiegészítő számítógép az űrséták közbeni utasítások bevitelére szolgál, azon keresztül közlik a géppel a teendőket.

Az infravörös kamerával felszerelt ERA meg tudja vizsgálni az űrállomás és a komponensek szerkezetét, és a látottakat élőben továbbítja, streameli az ottani laborban dolgozó űrhajósoknak.

ERA nincs egyedül, mert az ISS-en két másik robotkar is dolgozik: a Canadarm2 tizenhét, a modulokat távirányítva módosító japán rendszer pedig tíz méter hosszú. Viszont egyikük sem éri el az orosz részt, így az uniós robot kitüntetett szerephez jutott.