Menschliche Sprache beschleunigt robotisches Lernen

Eine Forschungsgruppe an der Princeton-Universität hat herausgefunden, dass menschliche Sprachbeschreibungen von Werkzeugen das Lernen eines simulierten Roboterarms beschleunigen können, der verschiedene Werkzeuge heben und verwenden kann.

Die neue Forschung unterstützt die Idee, dass die Ausbildung von künstlicher Intelligenz (KI) autonome Roboter anpassungsfähiger in neuen Situationen machen kann, was wiederum ihre Effektivität und Sicherheit verbessert.

Durch die Hinzufügung von Beschreibungen der Form und Funktion eines Werkzeugs zum Trainingsprozess des Roboters konnte seine Fähigkeit, neue Werkzeuge zu manipulieren, verbessert werden.

ATLA-Methode für die Ausbildung

Die neue Methode wird als Accelerated Learning of Tool Manipulation with Language oder ATLA bezeichnet.

Anirudha Majumdar ist Assistant Professor für Mechanik und Luft- und Raumfahrttechnik an der Princeton-Universität und Leiter des Intelligent Robot Motion Lab.

“Extra-Informationen in Form von Sprache können einem Roboter helfen, Werkzeuge schneller zu lernen”, sagte Majumdar.

Das Team hat den Sprachmodell GPT-3 abgefragt, um Werkzeugbeschreibungen zu erhalten. Nachdem sie verschiedene Prompts ausprobiert hatten, entschieden sie sich für “Beschreiben Sie die [Funktion] des [Werkzeugs] in einer detaillierten und wissenschaftlichen Antwort”, wobei die Funktion die Form oder den Zweck des Werkzeugs war.

Karthik Narasimhan ist Assistant Professor für Informatik und Co-Autor der Studie. Narasimhan ist auch Leiter der natürlichen Sprachverarbeitungsgruppe (NLP) an der Princeton-Universität und hat als Gastforscher am OpenAI zum ursprünglichen GPT-Sprachmodell beigetragen.

“Weil diese Sprachmodelle im Internet trainiert wurden, kann man sie in gewissem Sinne als eine andere Möglichkeit betrachten, diese Informationen effizienter und umfassender zu erhalten als durch Crowdsourcing oder das Scannen spezifischer Websites nach Werkzeugbeschreibungen”, sagte Narasimhan.

https://vimeo.com/781953242?embedded=true&source=video_title&owner=2065450

Simulierte Roboter-Lern-Experimente

Das Team wählte eine Trainingsmenge von 27 Werkzeugen für ihre simulierte Roboter-Lern-Experimente aus, wobei die Werkzeuge von einer Axt bis zu einem Schwamm reichten. Der Roboterarm wurde vier verschiedenen Aufgaben zugeteilt: das Werkzeug schieben, heben, verwenden, um einen Zylinder über einen Tisch zu schieben, oder einen Nagel in ein Loch zu schlagen.

Das Team entwickelte dann eine Reihe von Richtlinien, indem sie maschinelles Lernen mit und ohne Sprachinformationen verwendeten. Die Leistung der Richtlinien wurde in einem separaten Test mit neun Werkzeugen und entsprechenden Beschreibungen verglichen.

Der Ansatz, der als Meta-Lernen bezeichnet wird, verbessert die Fähigkeit des Roboters, mit jeder nachfolgenden Aufgabe zu lernen.

Laut Narasimhan lernt der Roboter nicht nur, jedes Werkzeug zu verwenden, sondern auch “versucht, die Beschreibungen jedes dieser hundert verschiedenen Werkzeuge zu lernen, sodass er, wenn er das 101. Werkzeug sieht, schneller lernt, es zu verwenden”.

In den meisten Experimenten bot die Sprachinformation einen signifikanten Vorteil für die Fähigkeit des Roboters, neue Werkzeuge zu verwenden.

Allen Z. Ren ist ein Doktorand in Majumdars Gruppe und Hauptautor der Forschungsarbeit.

“Mit der Sprachausbildung lernt es, am langen Ende des Brechstabs zu greifen und die gekrümmte Oberfläche zu verwenden, um die Bewegung der Flasche besser zu beschränken”, sagte Ren. “Ohne die Sprachausbildung griff es den Brechstab nahe der gekrümmten Oberfläche und es war schwieriger zu kontrollieren”.

“Das breite Ziel ist es, robotische Systeme – insbesondere solche, die mit maschinellem Lernen trainiert werden – dazu zu bringen, sich an neue Umgebungen anzupassen”, fügte Majumdar hinzu.