Δίδασκε τα Ρομπότ να Κινούνται. Τώρα τα Διδάσκουμε να Ζουν

Η σύγχρονη ρομποτική έχει φτάσει σε ένα σημείο όπου η κίνηση δεν είναι πλέον η κύρια πρόκληση – οι μηχανές μπορούν ήδη να πλοηγηθούν, να αγκαλιάσουν και να λειτουργήσουν στο χώρο με εντυπωσιακή ακρίβεια. Ωστόσο, η ενεργοποίηση τους να “ζουν” και να λειτουργούν στον πραγματικό κόσμο παραμένει ένα ανεπίλυτο πρόβλημα.

Σε αυτή τη διαδικασία, ο βασικός ρόλος παίζεται από αυτό που θα μπορούσε να ονομαστεί “νωτιαίος στήλης”: το σύστημα που είναι υπεύθυνο για τις βασικές αντιδράσεις, τη συμπεριφορά και την αλληλεπίδραση με το περιβάλλον.

Όταν κοιτάξετε την εξέλιξη των ρομπότ μέσω αυτής της οπτικής, γίνεται σαφές ότι αυτή η ακολουθία σταδίων – όπου το σύστημα μαθαίνει κάτι νέο σε κάθε βήμα, από την απλή κίνηση σε σύνθετες, εξαρτώμενες από το контέκστ ενέργειες – μοιάζει στενά με την ανθρώπινη ανάπτυξη.

Και είναι ακριβώς μέσα σε αυτήν την εξέλιξη – από το “κενό” υλικό σε σημαντική συμπεριφορά – ότι η κύρια μετατόπιση στη φυσική AI συμβαίνει σήμερα. Ενδιαφέρον να το μάθουμε πιο sâuστόχαστα.

Η βάση της ρομποτικής: ένα στάδιο που σπάνια συζητιέται

Τι είναι ένα ρομπότ σε πρακτικούς όρους; Είναι μια φυσική συσκευή που δημιουργήθηκε αρχικά ως καθολική πλατφόρμα. Ουσιαστικά, είναι ένα “κενό” που πρέπει να προσαρμοστεί σε συγκεκριμένες εργασίες, να εκπαιδευτεί να λειτουργεί σε ένα δεδομένο περιβάλλον και να διδαχθεί να εκτελεί τις απαιτούμενες ενέργειες.

Αν μετακινηθούμε πέρα από τις καθημερινές σκηνές και σκεφτούμε πιο ρεαλιστικές εφαρμογές του εγγύς μέλλοντος, γίνεται σαφές ότι η πλήρης υιοθέτηση των ρομπότ θα συμβεί κυρίως σε βιομηχανικά και πιθανώς επικίνδυνα περιβάλλοντα. Αυτό, με τη σειρά του, υποδηλώνει σημαντικά υψηλότερες απαιτήσεις για τη συμπεριφορά, τη ρομποτικότητα και την ποιότητα εκπαίδευσης.

Η διαδικασία αρχίζει με το πιο βασικό βήμα – την κατασκευή της συσκευής. Ένα ρομπότ συναρμολογείται από πολλαπλά компоненты, συμπεριλαμβανομένων ενεργοποιητών, κινητήρων, αισθητήρων, καμερών, LiDARs. Μπορεί να είναι ανθρωποειδές, τροχοφόρο, διπόδη ή τετράποδη – η μορφή είναι δευτερεύουσα. Τι matters είναι ότι, σε αυτό το στάδιο, καταλήγουμε σε μια λειτουργική αλλά ακόμη “κενή” συσκευή.

Το επόμενο στάδιο είναι η εγκατάσταση ενός βασικού μοντέλου που χρησιμεύει ως η βάση για τη συμπεριφορά του. Σε ευρύτερη έννοια, το “μοντέλο” είναι ολόκληρο το λειτουργικό επίπεδο ελέγχου. Είναι υπεύθυνο για τις βασικές ικανότητες: διατήρηση της ισορροπίας, στάση και κίνηση, πλοήγηση από σημείο Α σε σημείο Β, αποφυγή εμποδίων, μη ζημιά στο περιβάλλον και ασφαλής αλληλεπίδραση με τους ανθρώπους.

Εδώ είναι όπου η ενίσχυση της μάθησης έρχεται στο παιχνίδι. Σε τέτοιους συστήματα, εκτελούνται δισεκατομμύρια симуляκρά. Συχνά βλέπουμε βίντεο ρομπότ “μάθησης” σε σύνθετα περιβάλλοντα: τα περισσότερα από αυτά πέφτουν, χάνουν την ισορροπία ή αποτυγχάνουν να ολοκληρώσουν την εργασία. Αλλά εκείνοι που καταφέρνουν να παραμείνουν όρθιοι και να συνεχίσουν να κινούνται είναι εκείνοι που προοδεύουν.

Αυτό είναι η ουσία της ενίσχυσης της μάθησης: η επιλογή επιτυχημένων συμπεριφορών. Οι αλγόριθμοι εκείνων που “επιζούν” γίνονται η βάση για τις επόμενες επαναλήψεις. Ως αποτέλεσμα, μετά από ένα τεράστιο αριθμό εκτελέσεων, εμφανίζεται ένα μοντέλο που μπορεί να χειριστεί με σιγουριά τα εμπόδια. Αυτός ο αλγόριθμος μεταφέρεται στη φυσική συσκευή.

Είναι ένα εδραιωμένο αλλά κρίσιμο στάδιο – συχνά με μικρή έως keine υπολογιστική όραση, η οποία δεν απαιτείται σε αυτό το σημείο. Τι αντιμετωπίζουμε εδώ είναι η θεμελιώδης φυσική και μηχανική που πρέπει να ενσωματωθεί στο σύστημα από την αρχή.

Πώς τα ρομπότ αρχίζουν να “αισθάνονται” τον κόσμο

Έτσι, έχουμε ήδη το “υλικό” – ένα ρομπότ με εγκατεστημένο βασικό μοντέλο: μπορεί να στέκεται, να περπατά και να διατηρεί την ισορροπία. Αλλά είναι αυτό αρκετό για πραγματικές εργασίες, για παράδειγμα, σε βιομηχανικά περιβάλλοντα; Σαφώς όχι.

Το επόμενο επίπεδο αρχίζει εδώ. Ενοποιούμε αισθητήρες και εκπαιδεύουμε το μοντέλο να ενεργεί με βάση τις αισθητηριακές εισόδους. Ένας νέος όρος βασικών ικανοτήτων εμφανίζεται – ήδη πολύ πιο σύνθετος από την απλή κίνηση.

Μια αναλογία με την ανθρώπινη ανάπτυξη είναι χρήσιμη εδώ. Στο πρώτο στάδιο, φέραμε το σύστημα στο επίπεδο ενός ενός ετών παιδιού: μπορεί να στέκεται, να κάνει τα πρώτα βήματα και να διατηρεί την ισορροπία χωρίς να πέσει. Το επόμενο βήμα είναι πιο σύμφωνο με το επίπεδο ενός οκταχρόνου παιδιού.

Σε αυτήν την ηλικία, ένα παιδί χρησιμοποιεί ενεργά τους “αισθητήρες”: μπορεί να αντιληφθεί τον κίνδυνο και να αξιολογήσει τις συνέπειες των ενεργειών του. Καταλαβαίνει να μην αγγίξει κάτι ζεστό ή να βάλει κάτι πολύ κρύο στο στόμα του. Μπορεί να ανεβεί σε ένα τραπέζι, να οδηγήσει ένα ποδήλατο και να αλληλεπιδράσει με αντικείμενα. Είναι ικανό να πιάνει, να μεταφέρει και να χειρίζεται αντικείμενα και να εκτελεί βασικές αυτοφροντίδες.

Τo ονομάζουμε αυτό το στάδιο προ-εκπαίδευση. Και σε αυτό το σημείο, οι симуляκρά alone δεν είναι πλέον επαρκή.

Ναι, ορισμένες σκηνές μπορούν ακόμη να μοντελοποιηθούν αποτελεσματικά: πώς να πιάσει ένα γυάλινο, ή να αντικαταστήσει μια μπαταρία, για παράδειγμα, αφαιρώντας ένα компонент, τοποθετώντας το σε φόρτιση, παίρνοντας ένα άλλο και εγκαθιστώντας το πίσω.

Αλλά συνολικά, η ισορροπία μετατοπίζεται: γύρω στο 80% της εκπαίδευσης μπορεί ακόμη να συμβεί σε симуляκρά, ενώ περίπου το 20% των δεδομένων πρέπει να έρθει από τον πραγματικό κόσμο. Και εδώ είναι όπου αρχίζουμε να συζητάμε εγωκεντρικά δεδομένα.

Εγωκεντρικά δεδομένα ως βάση της περιβαλλοντικής κατανόησης

Σήμερα, εγωκεντρικά δεδομένα συλλέγονται σε τεράστια κλίμακα παγκοσμίως – γιατί χωρίς αυτά, είναι αδύνατο να μεταβούμε από τη βασική μηχανική σε σημαντική αλληλεπίδραση με τον πραγματικό κόσμο. Ένας συνάδελφός μου, ο οποίος διευθύνει ένα δίκτυο αυτοκινητοβιομηχανιών, έχει υπαλλήλους που χρησιμοποιούν κάμερες στο κεφάλι για να καταγράψουν ολόκληρη τη διαδικασία επισκευής αυτοκινήτου. Ένας ιδιοκτήτης κτιρίου στη Νέα Υόρκη έχει εφαρμόσει μια παρόμοια προσέγγιση: το προσωπικό καθαρισμού φόρεσε κάμερες στο μέτωπο που κατέγραψαν πώς καθαρίζουν τους χώρους και διατηρούν τις σανοπωλικές περιοχές.

Με τον καιρό, αυτές οι ηχογραφήσεις γίνονται ένα αυτόνομο προϊόν – συσκευάζονται και πωλούνται. Η κύρια αξία τους έγκειται στην καταλληλότητά τους για το στάδιο προ-εκπαίδευσης, βοηθώντας στην κατασκευή μιας θεμελιώδους κατανόησης του περιβάλλοντος και των ακολουθιών ενεργειών.

Για παράδειγμα, τέτοια υπηρεσία υπήρχε στο Keymakr, όπου η ομάδα ανεξάρτητα δημιούργησε ολόκληρες συλλογές εγωκεντρικών δεδομένων από απλές σκηνές όπως το πλύσιμο πιάτων μέχρι πιο σύνθετες.

Γιατί είναι αυτό τόσο σημαντικό; Γιατί τέτοια δεδομένα παρέχουν κάτι που η καθαρή симуляκρά δεν μπορεί – την ποικιλία των πραγματικών περιβαλλόντων. Γραφεία, αυτοκινητοβιομηχανίες, εργοτάξια, εστιατόρια και ξενοδοχεία – καθένα από αυτά προσθέτει το δικό του контέκστ, σκηνές και νюανς. Μαζί, σχηματίζουν ένα σύνολο δεδομένων που επιτρέπει σε ένα σύστημα όχι μόνο να “βλέπει”, αλλά να αρχίζει να καταλαβαίνει τη δυναμική του πραγματικού κόσμου.

Σε αυτό το στάδιο, ο στόχος δεν είναι πλέον να διδάξει ένα ρομπότ να εκτελεί μια συγκεκριμένη ενέργεια. Τι matters περισσότερο είναι να ενεργοποιήσει να προσανατολιστεί μέσα στο περιβάλλον του από την αρχή.
Σήμερα, σχεδόν όλες οι εταιρείες που δραστηριοποιούνται στη ρομποτική – από την Tesla έως την Unitree Robotics και την Figure AI – επικεντρώνονται σε αυτό το ακριβώς στάδιο. Ο στόχος τους είναι να κατασκευάσουν ένα βασικό μοντέλο των ικανοτήτων του οποίου πρώτα μοιάζει με εκείνες ενός “οκταχρόνου παιδιού” και στη συνέχεια να προχωρήσει προς ένα “δωδεκαχρόνου”. Αυτό είναι επίσης σε τι επικεντρωμαστε στο Introspector – την προετοιμασία των δεδομένων που απαιτούνται για την προ-εκπαίδευση, τη πιο κρίσιμη φάση στην “ενηλικίωση” της σύγχρονης ρομποτικής.

Η τελευταία μίλη της εκπαίδευσης: όπου η καθολικότητα τελειώνει και η εξειδίκευση αρχίζει

Ας φανταστούμε ότι ένα ρομπότ έχει ήδη ολοκληρώσει την προ-εκπαίδευση και κατασκευάζεται από την αρχή με μια βασική κατανόηση του κόσμου και ένα σύνολο ικανοτήτων συγκρίσιμο με εκείνο ενός εφήβου. Αλλά ακόμη και αυτό δεν είναι αρκετό για πραγματικές επιχειρηματικές περιπτώσεις. Οι εταιρείες δεν χρειάζονται μόνο ένα “γενικό-σκοπό” ρομπότ – χρειάζονται einen ειδικό.

Πάρτε την αυτοκινητοβιομηχανία ως παράδειγμα. Ορισμένες εργασίες εξακολουθούν να εκτελούνται από ανθρώπους επειδή απαιτούν ευαισθησία, ακρίβεια και συνεχή οπτική έλεγχο. Η παραδοσιακή αυτοματοποίηση πασχίζει εδώ. Οι βιομηχανικοί χειριστές excelling σε επαναλαμβανόμενες, σκληρές εργασίες – “πιάσε, κίνησε, τοποθέτησε”. Αλλά εργασίες που απαιτούν προσαρμοστικότητα, αίσθηση πίεσης και πραγματικές ρυθμίσεις παραμένουν στον ανθρώπινο τομέα.

Εδώ είναι όπου μια νέα απαίτηση εμφανίζεται: να εκπαιδεύσετε ένα ρομπότ να εκτελέσει μια συγκεκριμένη εργασία ακριβώς όπως ένας εξειδικευμένος εργάτης σε μια γραμμή παραγωγής. Με άλλα λόγια, μετά την βασική εκπαίδευση έρχεται το επόμενο επίπεδο: εκπαίδευση για μια συγκεκριμένη επαγγελματική και σκηνή.

Σε αυτό το σημείο, μια πρακτική ερώτηση ανακύπτει: τι ακριβώς απαιτείται για αυτό το επίπεδο εκπαίδευσης; Αν θέλουμε ένα ρομπότ να αναπαράγει την ανθρώπινη απόδοση, πρέπει να καταγράψουμε αυτήν την ανθρώπινη συμπεριφορά όσο πιο ακριβώς γίνεται. Για παράδειγμα, ο ειδικός στη γραμμή παραγωγής θα πρέπει να φόρεσε μια κάμερα και, για einen εκτενέστερο χρονικό διάστημα, μήνες ή ακόμη και ένα χρόνο, να ηχογραφήσει πώς εκτελεί την εργασία.

Τι χρειάζεται για τα ρομπότ να “ζουν” στον ανθρώπινο κόσμο

Μια κάμερα alone δεν είναι αρκετή. Είναι απαραίτητο να καταγράψουμε όχι μόνο την οπτική προοπτική αλλά και τη φυσική της κίνησης. Αυτό γίνεται με ειδικές γάντες με αισθητήρες που μετρούν την πίεση, την εφαρμοζόμενη δύναμη και τη φύση της αλληλεπίδρασης με αντικείμενα. Αυτό είναι ιδιαίτερα σημαντικό επειδή τα αντικείμενα μπορούν να διαφέρουν σημαντικά. Για παράδειγμα, τα στεγανωτικά μπορεί να διαφέρουν σε σκληρότητα ανά μοντέλο αυτοκινήτου, το οποίο επηρεάζει trực tiếp πώς εκτελείται η εργασία.

Επόμενο έρχεται η κινηματική παρακολούθηση. Μαρκέρ – οπτικά ή αισθητήρες-ased – τοποθετούνται στα запěstí, τους αγκώνες και μερικές φορές τους ώμους. Αυτά possono περιλαμβάνουν, για παράδειγμα, βραχιόλια με αναγνωρίσιμους марκέρ (παρόμοιους με κωδικούς QR) που επιτρέπουν στο σύστημα να παρακολουθεί τη θέση του χεριού στο χώρο από το βίντεο. Πρόσθετοι αισθητήρες, όπως γυροσκόπια, χρησιμοποιούνται για να καταγράψουν τις κινήσεις των αρθρώσεων.

Το τελικό στόχο είναι να αναπαράγουμε πλήρως τη μηχανική της κίνησης: πώς κινείται ο ώμος, πώς γονάτισε ο αγκώνας, πώς περιστρέφεται ο καρπός. Όλα αυτά γίνονται απαραίτητα για το επόμενο στάδιο – μετα-εκπαίδευση.

Αν, κατά τη διάρκεια της προ-εκπαίδευσης, μπορούσαμε ακόμη να εξαρτηθούμε από τη симуляκρά, σε αυτό το στάδιο, δεν λειτουργεί πλέον. Αυτή η “τελευταία μίλη” είναι σχεδόν αδύνατο να μοντελοποιηθεί ακριβώς. Δεν μπορείτε να μοντελοποιήσετε πλήρως, για παράδειγμα, πώς ένας σεφ απλώνει τη ζύμη – η δύναμη που εφαρμόζεται, πώς η πίεση διανέμεται, πώς το υλικό αισθάνεται.

Γι’ αυτό, κατά τη διάρκεια της μετα-εκπαίδευσης, σχεδόν όλα τα δεδομένα πρέπει να έρθουν από τον πραγματικό κόσμο. Και εδώ είναι όπου γίνεται σαφές: η κύρια πρόκληση μετατοπίζεται στο πρακτικό τομέα – πώς να ληφθούν τέτοια δεδομένα στην πραγματικότητα. Η συλλογή εγωκεντρικών δεδομένων σε αυτό το επίπεδο είναι μια σύνθετη, πολλαπλή διαδικασία που περιλαμβάνει πρόσβαση σε περιβάλλοντα, εξειδικευμένο εξοπλισμό, συμμετοχή εξειδικευμένων εργατών και επόμενη προετοιμασία δεδομένων.

Πέρα από τη θεωρία, εδώ είναι όπου τα ρομπότ πραγματικά “ζουν” – μετά τη διοργάνωση αυτής της διαδικασίας, την υπέρβαση των περιορισμών που αντιμετωπίζουν οι ομάδες σε διάφορους κλάδους και την αναnotation τέτοιων συνόλων δεδομένων σε κλίμακα. Αυτό θα καλύφθεί στο επόμενο μέρος, όπου θα δούμε πιο στενά τις προκλήσεις που ανακύπτουν κατά τη διάρκεια της ετικέτας και της προετοιμασίας.