Το FLEX μαθαίνει στα ρομπότ να γενικεύουν από τις διορθώσεις ανθρώπων

Ερευνητές του MIT και του Πανεπιστημίου της Νέας Υόρκης ανέπτυξαν το FLEX, ένα σύστημα που χρησιμοποιεί διορθώσεις σε φυσική γλώσσα για να αναθεωρεί τα χαρακτηριστικά του περιβάλλοντος που καθοδηγούν τις κινήσεις ενός ρομπότ. Το MIT ανακοίνωσε την εργασία στις 9 Νοεμβρίου 2026, πριν από την παρουσίασή της στο Conference on Robot Learning τον Νοέμβριο του 2026.

Το FLEX αντιμετωπίζει ένα πρόβλημα που εμφανίζεται στη ρομποτική με καθοδήγηση μέσω γλώσσας: αν πούμε σε ένα ρομπότ που μεταφέρει καφέ να μην τον χύσει πάνω σε έναν φορητό υπολογιστή, το ρομπότ μπορεί να προσθέσει τη συσκευή στη λίστα των εμποδίων του, χωρίς όμως να αντιληφθεί γιατί έχει σημασία. Το σύστημα συνάγει μια ευρύτερη προτίμηση αποφυγής ηλεκτρονικών συσκευών, ώστε ο προσομοιωμένος βραχίονας να προσαρμόζει την πορεία του γύρω από τον φορητό υπολογιστή και ένα κοντινό τηλέφωνο, χωρίς να χρειάζεται ξεχωριστή οδηγία ειδικά για το τηλέφωνο.

Επεξεργασία των στοιχείων που παρακολουθεί το ρομπότ

Η δημοσίευση ονομάζει το FLEX Flexible Feature Editing Pipeline (Αγωγός ευέλικτης επεξεργασίας χαρακτηριστικών). Διαχωρίζει τον προσδιορισμό των χαρακτηριστικών από τη βελτιστοποίηση της ανταμοιβής: οι γλωσσικές διορθώσεις προσδιορίζουν ποιες μετρήσιμες ιδιότητες μιας σκηνής έχουν σημασία, ενώ οι επιδείξεις καθορίζουν πόσο έντονα θα πρέπει αυτές οι ιδιότητες να επηρεάζουν την τροχιά. Αυτός ο διαχωρισμός στοχεύει σε αναπαραστάσεις που είναι ελλιπείς, υπερβολικά λεπτομερείς ως προς άσχετα χαρακτηριστικά ή αφαιρετικές σε λάθος επίπεδο.

Κάθε διόρθωση περνά από τα στάδια ADD, GENERALIZE και MASK. Το ADD ελέγχει αν τα υπάρχοντα χαρακτηριστικά εξηγούν τη διόρθωση· αν δεν την εξηγούν, ένα γλωσσικό μοντέλο προτείνει ένα χαρακτηριστικό που λείπει και δημιουργεί κώδικα για τον υπολογισμό του. Το GENERALIZE αντικαθιστά ένα υπερβολικά συγκεκριμένο χαρακτηριστικό με ένα που συνδέεται με την πρόθεση που έχει συναχθεί. Στο παράδειγμα του MIT με την μπάλα του μπόουλινγκ, ένας περιορισμός που αφορούσε ειδικά μια κούπα μετατρέπεται σε αποφυγή εύθραυστων αντικειμένων. Το MASK αφαιρεί χαρακτηριστικά που δεν είναι πλέον σχετικά.

Η εκτέλεση του MASK τελευταίου σημαίνει ότι οι αποφάσεις για τη συνάφεια αφορούν τα χαρακτηριστικά αφού προηγηθεί τυχόν γενίκευση. Στα πειράματα χρησιμοποιήθηκε το GPT-4o και το MIT αναφέρει ότι η πλήρης αλληλεπίδραση των τριών σταδίων διαρκεί περίπου πέντε δευτερόλεπτα.

Η Andreea Bobu, επικεφαλής της μελέτης και διευθύντρια του Collaborative Learning and Autonomy Research Lab του MIT, συνέδεσε αυτόν τον σχεδιασμό με τη χρήση σε σπίτια: «Κάθε σπίτι είναι διαφορετικό και ο καθένας νοιάζεται για διαφορετικά πράγματα, επομένως κανένα ρομπότ δεν γνωρίζει από την αρχή τι έχει σημασία για εσάς. Αυτό που με ενθουσιάζει στο FLEX είναι ότι μπορεί να το καταλάβει από μία ή δύο προτάσεις, αντί να σας ζητήσει να του εξηγήσετε κάθε κανόνα — κι αυτή είναι η διαφορά ανάμεσα σε ένα ρομπότ που οι άνθρωποι απλώς ανέχονται και σε ένα που θέλουν πραγματικά στο σπίτι τους».

Αποτελέσματα προσομοιώσεων και αξιολογήσεις από ανθρώπους

Οι ερευνητές δοκίμασαν το FLEX σε πλέγματα πλοήγησης 9 επί 9 και σε προσομοιωμένες εργασίες με επιτραπέζιο ρομπότ Franka επτά βαθμών ελευθερίας, οι οποίες περιλάμβαναν καφέ, ένα αναμμένο κερί και μια μπάλα του μπόουλινγκ. Τα σενάρια με τον βραχίονα χρησιμοποιούσαν ακολουθίες διορθώσεων πέντε σταδίων, με τις διατάξεις των αντικειμένων να αλλάζουν από στάδιο σε στάδιο, ώστε ένα χαρακτηριστικό που ήταν προηγουμένως χρήσιμο να μπορεί να καταστεί άσχετο ή να αποκαλυφθεί μια κρυφή ασυμφωνία.

Οι συγκρίσεις περιλάμβαναν το ALGAE, που χρησιμοποιεί μόνο την προσθήκη χαρακτηριστικών, το Mask-From-Exhaustive (MFE), που χρησιμοποιεί μόνο τη μάσκα, και μια βασική μέθοδο χωρίς καθοδήγηση, η οποία ζητά από το γλωσσικό μοντέλο να δώσει σε ένα ερώτημα ένα πλήρες, αναθεωρημένο σύνολο χαρακτηριστικών. Η κανονικοποιημένη μετρική ανταμοιβής τους αποδίδει τιμή 1 στη βέλτιστη συμπεριφορά και 0 στην τροχιά με το χειρότερο δυνατό αποτέλεσμα.

Η δημοσίευση αναφέρει ότι το FLEX πέτυχε την υψηλότερη μέση κανονικοποιημένη ανταμοιβή και στα επτά σενάρια πλοήγησης. Στο σενάριο που απαιτούσε και τις τρεις λειτουργίες, ο μέσος όρος του FLEX ήταν 0,99, έναντι 0,69 για το ALGAE, 0,83 για το MFE και 0,78 για τη βασική μέθοδο χωρίς καθοδήγηση.

Στις διαδοχικές προσομοιώσεις με τον βραχίονα, οι συγγραφείς αναφέρουν ότι το FLEX μάθαινε γενικά την επιθυμητή ανταμοιβή μετά από μία ή δύο διορθώσεις και διατηρούσε την απόδοσή του σε προηγούμενες και μεταγενέστερες διαμορφώσεις. Οι συγκριτικές μέθοδοι χρειάζονταν περισσότερες διορθώσεις και η απόδοσή τους υποβαθμιζόταν καθώς συσσωρεύονταν άσχετα χαρακτηριστικά ή οι αναπαραστάσεις τους προσαρμόζονταν υπερβολικά σε μεμονωμένα στάδια.

Σε ξεχωριστή μελέτη με φυσική παρουσία συμμετείχαν 12 άτομα, καθένα από τα οποία έδωσε γραπτές διορθώσεις σε τρεις ενότητες των πέντε σταδίων, χρησιμοποιώντας τα FLEX, ALGAE και MFE. Οι ερευνητές αναφέρουν ότι το FLEX έλαβε την υψηλότερη μέση βαθμολογία και στις πέντε διαστάσεις του ερωτηματολογίου. Για την κατανόηση της πρόθεσης, σε κλίμακα επτά βαθμών, οι μέσοι όροι ήταν 6,3 για το FLEX, 5,0 για το ALGAE και 4,5 για το MFE. Οι διαφορές του FLEX από αμφότερες τις μεθόδους αναφοράς ήταν στατιστικά σημαντικές μετά τη διόρθωση για τις πολλαπλές συγκρίσεις. Οι διαφορές στην ευκολία χρήσης και στη συνεργατικότητα δεν ήταν στατιστικά σημαντικές.

Περιορισμοί των στοιχείων και στάδιο ανάπτυξης

Η μελέτη με ανθρώπους δεν δοκίμασε το σύστημα σε κλειστό βρόχο πάνω σε φυσικό ρομπότ. Οι συμμετέχοντες παρακολουθούσαν προσομοιωμένες τροχιές, επειδή ορισμένες από τις βασικές μεθόδους προκαλούσαν ακανόνιστες κινήσεις του βραχίονα· σε ξεχωριστό πείραμα, η ομάδα συνδύασε τις διορθώσεις τους με επιδείξεις ειδικών, οι οποίες είχαν συλλεχθεί με φυσικό ρομπότ Franka, για εκπαίδευση εκτός σύνδεσης. Οι συγγραφείς περιγράφουν αυτή την εργασία με το υλικό ως έλεγχο σκοπιμότητας που υποστηρίζει τη μελέτη προσομοίωσης.

Προς το παρόν, το FLEX περιορίζεται στον σχεδόν στατικό χειρισμό άκαμπτων αντικειμένων, των οποίων οι σχετικές ιδιότητες μπορούν να εκφραστούν με φυσική γλώσσα· οι δυναμικές εργασίες και τα παραμορφώσιμα αντικείμενα ενδέχεται να απαιτούν πρόσθετες τροπικότητες. Οι συγγραφείς αναφέρουν ότι η κοινή λογική των γλωσσικών μοντέλων μπορεί να καλύψει ευρέως διαδεδομένες προτιμήσεις, αλλά να αποτύχει όταν πρόκειται για προσωπικές ή αντιφατικές προς τη διαίσθηση προτιμήσεις. Το αίτημα να παραμένει το ρομπότ ακόμη πιο μακριά από έναν φορητό υπολογιστή εκφράζει επίσης τον βαθμό ισχύος της προτίμησης, τον οποίο η τρέχουσα διατύπωση δεν αποτυπώνει.

Η σελίδα του έργου των συγγραφέων εξακολουθεί να επισημαίνεται ως υπό ανάπτυξη και αναφέρει ότι ο κώδικας και το σύνολο δεδομένων θα είναι σύντομα διαθέσιμα.

Για τα οικιακά ρομπότ και τα ρομπότ υποβοήθησης, οι λιγότερες διορθώσεις είναι χρήσιμες μόνο όταν η προτίμηση που συνάγεται ανταποκρίνεται σε αυτό που έχει πράγματι σημασία για τον χρήστη. Το βασικό ανοιχτό ερώτημα είναι αν οι γενικεύσεις των γλωσσικών μοντέλων μπορούν να προσαρμόζονται σε ιδιοσυγκρασιακές προτιμήσεις με την ίδια συνέπεια κατά τη λειτουργία κλειστού βρόχου σε φυσικά ρομπότ.