Nye AI-systemer transformerer robottilpasning til virkelige verdensrum

Robotikfeltet har længe kæmpet med en betydelig udfordring: at træne robotter til at fungere effektivt i dynamiske, virkelige verdensmiljøer. Mens robotter excellerer i strukturerede miljøer som samlebånd, har det vist sig at være en formidabel opgave at lære dem at navigere i det uforudsigelige natur af hjem og offentlige rum. Det primære hinder? En mangel på diverse, virkelige data, der er nødvendig for at træne disse maskiner.

I en ny udvikling fra University of Washington, har forskere præsenteret to innovative AI-systemer, der potentielt kan transformere, hvordan robotter trænes for komplekse, virkelige scenarier. Disse systemer udnytter kraften fra video- og foto-data til at skabe realistiske simulationer til robottræning.

RialTo: Oprettelse af digitale tvillinge til robottræning

Det første system, navngivet RialTo, introducerer en ny tilgang til oprettelse af træningsmiljøer for robotter. RialTo tillader brugere at generere en “digital tvilling” – en virtuel kopi af et fysisk rum – ved hjælp af ikke andet end en smartphone.

Dr. Abhishek Gupta, en assistant professor ved University of Washington’s Paul G. Allen School of Computer Science & Engineering og co-senior forfatter af studiet, forklarer processen: “En bruger kan hurtigt scannere et rum med en smartphone for at optage dets geometri. RialTo opretter derefter en ‘digital tvilling’-simulation af rummet.”

Denne digitale tvilling er ikke bare en statisk 3D-model. Brugere kan interagere med simulationen, definere, hvordan forskellige objekter i rummet fungerer. For eksempel kan de demonstrere, hvordan skuffer åbner eller hvordan apparater opererer. Denne interaktivitet er afgørende for robottræning.

Når den digitale tvilling er oprettet, kan en virtuel robot gentagne gange øve opgaver i denne simulerede miljø. Gennem en proces kaldet forstærkningslæring, lærer robotten at udføre opgaver effektivt, selv hvis der er mulige forstyrrelser eller ændringer i miljøet.

Skønheden i RialTo ligger i dets evne til at overføre denne virtuelle læring til den fysiske verden. Gupta bemærker: “Robotter kan derefter overføre denne læring til den fysiske verden, hvor det er næsten lige så præcist som en robot, der er trænet i det virkelige køkken.”

URDFormer: Generering af simulationer fra internetsbilleder

Mens RialTo fokuserer på at oprette meget præcise simulationer af bestemte miljøer, tager det andet system, URDFormer, en bredere tilgang. URDFormer har til formål at generere en stor mængde generiske simulationer hurtigt og kosteffektivt.

Zoey Chen, en ph.d.-studerende ved University of Washington og hovedforfatter af URDFormer-studiet, beskriver systemets unikke tilgang: “URDFormer scannrer billeder fra internettet og parrer dem med eksisterende modeller for, hvordan f.eks. køkkensskuffer og skabe sandsynligvis vil bevæge sig. Derefter forudser den en simulation fra det oprindelige virkelige billede.”

Denne metode tillader forskere at hurtigt generere hundredvis af diverse simulerede miljøer. Selv om disse simulationer måske ikke er lige så præcise som dem, der er oprettet af RialTo, tilbyder de en afgørende fordel: skala. Evnen til at træne robotter på tværs af en bred vifte af scenarier kan betydeligt forbedre deres tilpasningsevne til forskellige virkelige situationer.

Chen understreger vigtigheden af denne tilgang, især for hjemmemiljøer: “Hjem er unikke og konstant ændrer sig. Der er en diversitet af objekter, opgaver, gulvplaner og mennesker, der bevæger sig gennem dem. Dette er, hvor AI bliver rigtig nyttig for robotikere.”

Ved at udnytte internetsbilleder til at oprette disse simulationer, reducerer URDFormer dramatisk omkostningerne og tiden, der kræves for at generere træningsmiljøer. Dette kunne potentielt accelerere udviklingen af robotter, der kan fungere i diverse, virkelige miljøer.

Demokratisering af robottræning

Introduktionen af RialTo og URDFormer repræsenterer et betydeligt skridt mod at demokratisere robottræning. Disse systemer har potentialet til at dramatisk reducere omkostningerne forbundet med at forberede robotter til virkelige miljøer, hvilket gør teknologien mere tilgængelig for forskere, udviklere og potentielt endda slutbrugere.

Dr. Gupta fremhæver det demokratiserende potentiale for denne teknologi: “Hvis du kan få en robot til at fungere i dit hjem blot ved at scannere det med din telefon, demokratiserer det teknologien.” Denne tilgængelighed kunne accelerere udviklingen og antagelsen af hjemmerobotik, hvilket bringer os tættere på en fremtid, hvor husrobotter er lige så almindelige som smartphones.

Konsekvenserne for hjemmerobotik er særligt spændende. Da hjem repræsenterer en af de mest udfordrende miljøer for robotter på grund af deres diverse og konstant ændrende natur, kunne disse nye træningsmetoder være en game-changer. Ved at enable robotter til at lære og tilpasse sig til individuelle hjemmiljøer og rutiner, kunne vi se en ny generation af virkelig hjælpsomme husassistentrobotter, der kan udføre en bred vifte af opgaver.

Komplementære tilgange: For-træning og specifik udrulning

Mens RialTo og URDFormer tilgår udfordringen med robottræning fra forskellige vinkler, er de ikke gensidigt exclusive. Faktisk kan disse systemer arbejde i tandem for at give en mere komplet træningsregime for robotter.

“De to tilgange kan supplere hinanden,” forklarer Dr. Gupta. “URDFormer er rigtig nyttig til for-træning på hundredvis af scenarier. RialTo er særligt nyttig, hvis du allerede har for-trænet en robot, og nu vil du udrulle den i nogen hjem og have den være måske 95% succesfuld.”

Denne komplementære tilgang tillader en to-trins træningsproces. Først kan robotter eksponeres for en bred vifte af scenarier ved hjælp af URDFormers hurtigt genererede simulationer. Denne brede eksponering hjælper robotterne med at udvikle en generel forståelse af forskellige miljøer og opgaver. Derefter kan RialTo bruges til at oprette en meget præcis simulation af det eksakte miljø, hvor robotten vil operere, hvilket tillader finjustering af dens færdigheder.

I fremtiden udforsker forskere måder at yderligere forbedre disse træningsmetoder. Dr. Gupta nævner fremtidige forskningsretninger: “I fremtiden vil RialTo-holdet gerne udrulle deres system i folks hjem (det er primært blevet testet i et laboratorium).” Denne virkelige testning vil være afgørende for at raffinere systemet og sikre dets effektivitet i diverse hjemmemiljøer.

Udfordringer og fremtidige perspektiver

Trods de lovende fremskridt, er der stadig udfordringer i feltet robottræning. En af de vigtigste udfordringer, som forskere kæmper med, er, hvordan man effektivt kan kombinere virkelige og simulerede data.

Dr. Gupta anerkender denne udfordring: “Vi skal stadig finde ud af, hvordan vi bedst kan kombinere data, der er indsamlet direkte i den virkelige verden, som er dyrt, med data, der er indsamlet i simulationer, som er billig, men lidt forkert.” Målet er at finde den optimale balance, der udnytter omkostningseffektiviteten af simulationer, samtidig med at den opretholder den præcision, der gives af virkelige data.

Potentialet for indvirkning på robotikindustrien er betydeligt. Disse nye træningsmetoder kunne accelerere udviklingen af mere kapable og tilpasningsdygtige robotter, hvilket potentielt kunne føre til gennembrud i områder som hjemmeassistance, sundhedspleje og ud over.

Desuden, da disse træningsmetoder bliver mere raffinerede og tilgængelige, kunne vi se en ændring i robotikindustrien. Mindre virksomheder og endda enkelte udviklere kunne have værktøjerne til at træne avancerede robotter, hvilket potentielt kunne føre til en boom i innovative robotanvendelser.

Fremtidsperspektiverne er spændende, med potentiale for anvendelser, der strækker sig langt ud over nuværende brugsområder. Da robotter bliver mere dygtige til at navigere og interagere med virkelige verdensmiljøer, kunne vi se dem tage på sig stadig mere komplekse opgaver i hjem, kontorer, hospitaler og offentlige rum.