Η Ανθρώπινη Γλώσσα Επιταχύνει τη Μάθηση των Ρομπότ

Μια ομάδα ερευνητών στο Πρίνστον διαπίστωσε ότι οι περιγραφές των εργαλείων με ανθρώπινη γλώσσα μπορούν να επιταχύνουν τη μάθηση ενός προσομοιωμένου ρομποτικού βραχίονα που μπορεί να ανυψώσει και να χρησιμοποιήσει διάφορα εργαλεία.

Η νέα έρευνα υποστηρίζει την ιδέα ότι η εκπαίδευση του AI μπορεί να κάνει τα αυτόνομα ρομπότ πιο προσαρμόσιμα σε νέες καταστάσεις, γεγονός που με τη σειρά του βελτιώνει την αποτελεσματικότητά τους και την ασφάλειά τους.

Με την προσθήκη περιγραφών της μορφής και της λειτουργίας του εργαλείου στη διαδικασία εκπαίδευσης του ρομπότ, βελτιώθηκε η ικανότητα του ρομπότ να χειρίζεται νέα εργαλεία.

Μέθοδος ATLA για Εκπαίδευση

Η νέα μέθοδος ονομάζεται Επιταχυνόμενη Μάθηση Χειρισμού Εργαλείων με Γλώσσα, ή ATLA.

Ο Anirudha Majumdar είναι αναπληρωτής καθηγητής μηχανικής και αεροδιαστημικής στο Πρίνστον και διευθυντής του Εργαστηρίου Ευφυών Ρομποτικών Κινήσεων.

«Επιπλέον πληροφορίες υπό μορφή γλώσσας μπορούν να βοηθήσουν ένα ρομπότ να μάθει να χρησιμοποιεί τα εργαλεία πιο γρήγορα», είπε ο Majumdar.

Η ομάδα ζήτησε από το μοντέλο γλώσσας GPT-3 να λάβει περιγραφές εργαλείων. Μετά από ποικίλους προτροπές, αποφάσισαν να χρησιμοποιήσουν «Περιγράψτε το [χαρακτηριστικό] του [εργαλείου] με λεπτομερή και επιστημονική απάντηση», με το χαρακτηριστικό να είναι η μορφή ή η λειτουργία του εργαλείου.

Ο Karthik Narasimhan είναι αναπληρωτής καθηγητής επιστημών υπολογιστών και συν-συγγραφέας της μελέτης. Ο Narasimhan είναι επίσης επικεφαλής μέλος της ομάδας επεξεργασίας φυσικής γλώσσας του Πρίνστον και συνέβαλε στο αρχικό μοντέλο γλώσσας GPT ως επισκέπτης ερευνητικός επιστήμονας στο OpenAI.

«Επειδή αυτά τα μοντέλα γλώσσας έχουν εκπαιδευτεί στο διαδίκτυο, σε κάποιο βαθμό μπορείτε να το σκεφτείτε ως einen άλλο τρόπο ανάκτησης αυτής της πληροφορίας πιο αποτελεσματικά και ολοκληρωμένα από το να χρησιμοποιήσετε crowdsourcing ή να σκαλίστε συγκεκριμένες ιστοσελίδες για περιγραφές εργαλείων», είπε ο Narasimhan.

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

Πειράματα Προσομοίωσης Μάθησης Ρομπότ

Η ομάδα επέλεξε ένα σύνολο εκπαίδευσης 27 εργαλείων για τα πειράματα προσομοίωσης μάθησης ρομπότ, με τα εργαλεία να κυμαίνονται από ένα τσεκούρι μέχρι ένα σφουγγάρι. Ο ρομποτικός βραχίονας έλαβε τέσσερις διαφορετικές εργασίες: να ωθήσει το εργαλείο, να το ανυψώσει, να το χρησιμοποιήσει για να σκουπίσουν ένα κύλινδρο σε ένα τραπέζι ή να χτυπήσει ένα πάσσαλο σε μια τρύπα.

Η ομάδα ανέπτυξε μια σειρά πολιτικών χρησιμοποιώντας προσεγγίσεις μηχανικής μάθησης με και χωρίς πληροφορίες γλώσσας. Οι επιδόσεις των πολιτικών συγκρίθηκαν σε ένα ξεχωριστό τεστ εννέα εργαλείων με ζευγαρωμένες περιγραφές.

Η προσέγγιση, που ονομάζεται meta-μάθηση, βελτιώνει την ικανότητα του ρομπότ να μάθει με κάθε επόμενη εργασία.

Σύμφωνα με τον Narasimhan, το ρομπότ δεν μαθαίνει μόνο να χρησιμοποιεί κάθε εργαλείο, αλλά και «προσπαθεί να μάθει να κατανοήσει τις περιγραφές κάθε ενός από αυτά τα εκατό διαφορετικά εργαλεία, ώστε όταν δει το 101ο εργαλείο να είναι πιο γρήγορο στη μάθηση να το χρησιμοποιήσει».

Στις περισσότερες των περιπτώσεων, οι πληροφορίες γλώσσας παρείχαν σημαντικά πλεονεκτήματα για την ικανότητα του ρομπότ να χρησιμοποιήσει νέα εργαλεία.

Ο Allen Z. Ren είναι φοιτητής διδακτορικού στο grupo του Majumdar και πρωταρχικός συγγραφέας της έρευνας.

«Με την εκπαίδευση γλώσσας, μαθαίνει να πιάνει στο μακρύ άκρο του σφουγγαριού και να χρησιμοποιήσει την καμπυλωτή επιφάνεια για να βελτιώσει τον έλεγχο του κινήματος της φιάλης», είπε ο Ren. «Χωρίς τη γλώσσα, πιάνει το σφουγγάρι κοντά στην καμπυλωτή επιφάνεια και ήταν πιο δύσκολο να ελεγχθεί».

«Ο ευρύς στόχος είναι να κάνουμε τα ρομποτικά συστήματα — ειδικά, αυτά που εκπαιδεύονται χρησιμοποιώντας μηχανική μάθηση — να γενικεύουν σε νέες περιβάλλονσεις», πρόσθεσε ο Majumdar.