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 πλοηγούν, να πιάνουν και να λειτουργούν στο χώρο με εντυπωσιακή ακρίβεια. Ωστόσο, η ενεργοποίηση τους να ζήσουν πραγματικά και να λειτουργήσουν 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, εξαρτημένες από το контέκστ ενέργειες – μοιάζει στενά με την ανθρώπινη ανάπτυξη.

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

Η βάση της ρομποτικής: ένα στάδιο που σπάνια συζητιέται

Τι είναι ένα ρομπότ σε πρακτικούς όρους; Είναι μια φυσική συσκευή που δημιουργήθηκε αρχικά ως ένα καθολικό πλαίσιο. Ουσιαστικά, είναι ένα “λευκό” 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 εξετάσουμε πιο ρεαλιστικές εφαρμογές του εγγύς μέλλοντος, γίνεται σαφές ότι η πλήρης υιοθέτηση των ρομπότ θα συμβεί κυρίως σε βιομηχανικά και потенτικά επικίνδυνα περιβάλλοντα. Αυτό, με τη σειρά του, υποδηλώνει σημαντικά υψηλότερες απαιτήσεις για τη συμπεριφορά, την αντοχή 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 ανθρωπόμορφο, τροχιακό, διπόδη ή τετράποδη – το σχήμα είναι δευτερεύον. Τι που 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 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 το reinforcment learning έρχεται στο παιχνίδι. Σε τέτοιους συστήματα, εκτελούνται δισεκατομμύρια προσομοιώσεις. Συχνά βλέπουμε βίντεο ρομπότ που “μαθαίνουν” σε σύνθετα περιβάλλοντα: τα περισσότερα από αυτά πέφτουν, χάνουν την ισορροπία ή αποτυγχάνουν να ολοκληρώσουν την εργασία. Αλλά εκείνα που καταφέρνουν να παραμείνουν όρθια και να συνεχίσουν να κινούνται είναι αυτά που προοδεύουν.

Αυτό είναι η ουσία του reinforcment learning: η επιλογή επιτυχημένης συμπεριφοράς. 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 στη συνέχεια μεταφέρεται στη φυσική συσκευή.

Είναι ένα εδραιωμένο αλλά κρίσιμο στάδιο – συχνά με μικρή ή καθόλου υπολογιστική όραση, η οποία δεν είναι απαραίτητη σε αυτό το σημείο. Τι που 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 αρκετό αυτό για πραγματικές εργασίες, για παράδειγμα, σε βιομηχανικά περιβάλλοντα; Προφανώς όχι.

Το επόμενο επίπεδο αρχίζει εδώ. Ενοποιούμε αισθητήρες και εκπαιδεύουμε το μοντέλο να ενεργεί με βάση την αισθητηριακή είσοδο. 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 παιδιού ενός έτους: 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 παιδιού οκτώ ετών.

Σε αυτήν την ηλικία, ένα παιδί χρησιμοποιεί ενεργά τους “αισθητήρες”: μπορεί να αντιλαμβάνεται τον κίνδυνο και να αξιολογεί τις συνέπειες των ενεργειών του. Δεν θα αγγίξει κάτι ζεστό ή θα βάλει κάτι πολύ κρύο στο στόμα του. Μπορεί να ανέβει 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 ενέργειες αυτοφροντίδας.

Τo ονομάζουμε αυτό το στάδιο προ-εκπαίδευση. Και σε αυτό το σημείο, οι προσομοιώσεις μόνο δεν είναι πλέον επαρκείς.

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

Αλλά γενικά, η ισορροπία μετατοπίζεται: περίπου το 80% της εκπαίδευσης μπορεί ακόμη να συμβεί σε προσομοίωση, ενώ περίπου το 20% των δεδομένων πρέπει να προέρχεται από τον πραγματικό κόσμο. Και εδώ είναι που αρχίζουμε να συζητάμε τα egocentric δεδομένα.

Τα egocentric δεδομένα ως βάση της περιβαλλοντικής κατανόησης

Σήμερα, τα egocentric δεδομένα συλλέγονται σε τεράστια κλίμακα σε όλο τον κόσμο – γιατί χωρίς αυτά, είναι αδύνατο να μεταβούμε από τη βασική μηχανική σε σημαντική αλληλεπίδραση με τον πραγματικό κόσμο. Ένας συνάδελφός μου, που διευθύνει ένα δίκτυο συνεργείων αυτοκινήτων, έχει υπαλλήλους που χρησιμοποιούν κάμερες που τοποθετούνται 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 που τοποθετούνται στο μέτωπο και που καταγράφουν πώς καθαρίζουν τους χώρους και διατηρούν τις σανοπωλικές περιοχές.

Με τον καιρό, αυτές οι ηχογραφήσεις γίνονται ένα αυτόνομο προϊόν – συσκευάζονται και πωλούνται. Η βασική τους αξία βρίσκεται στην καταλληλότητά τους για το στάδιο της προ-εκπαίδευσης, βοηθώντας να χτιστεί μια θεμελιώδης κατανόηση των περιβαλλόντων και των ακολουθιών ενεργειών.

Για παράδειγμα, μια τέτοια υπηρεσία υπήρχε στο Keymakr, όπου η ομάδα ανέπτυξε ολόκληρες συλλογές egocentric δεδομένων από απλές σκηνές όπως το πλύσιμο των πιάτων μέχρι πιο σύνθετες.

Γιατί αυτό είναι τόσο σημαντικό; Γιατί τέτοιου είδους δεδομένα παρέχουν κάτι που η καθαρή προσομοίωση δεν μπορεί – τη ποικιλία των πραγματικών περιβαλλόντων. Γραφεία, συνεργεία αυτοκινήτων, χώροι κατασκευής, εστιατόρια και ξενοδοχεία – κάθε ένα από αυτά προστίθεται στην δική του πτυχή, σεναριά και νюανς. Μαζί, σχηματίζουν ένα σύνολο δεδομένων που επιτρέπει σε ένα σύστημα όχι μόνο να “βλέπει”, αλλά να αρχίζει να κατανοεί τη δυναμική του πραγματικού κόσμου.

Σε αυτό το στάδιο, ο στόχος δεν είναι πλέον να διδάξει ένα ρομπότ να εκτελέσει μια συγκεκριμένη ενέργεια. Τι που matters περισσότερο είναι να ενεργοποιήσει το ρομπότ να προσανατολιστεί 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 – εστιάζουν σε αυτό το ακριβώς στάδιο. Ο στόχος τους είναι να χτίσουν ένα βασικό μοντέλο των ικανοτήτων του οποίου πρώτα μοιάζουν με εκείνες ενός “παιδιού οκτώ ετών” και στη συνέχεια να προχωρήσουν προς ένα “δωδεκάχρονο”. Αυτό είναι επίσης αυτό που εστιάζουμε στην Introspector – την προετοιμασία των δεδομένων που απαιτούνται για την προ-εκπαίδευση, τη πιο κρίσιμη φάση στην “ενηλικίωση” της σύγχρονης ρομποτικής.

Η τελευταία μίλη του εκπαιδεύματος: όπου τελειώνει η καθολικότητα και αρχίζει η εξειδίκευση

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 που μοιάζει με εκείνα 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. Κάποιες εργασίες εξακολουθούν να εκτελούνται από ανθρώπους επειδή απαιτούν ευαισθησία, ακρίβεια και συνεχή οπτική έλεγχο. Η παραδοσιακή αυτοματοποίηση δυσκολεύεται εδώ. Οι βιομηχανικοί χειριστές excelling σε επαναλαμβανόμενες, σκληρές εργασίες – “πιάσε, μετακίνησε, τοποθέτησε”. Αλλά οι εργασίες που απαιτούν προσαρμοστικότητα, αίσθηση πίεσης και ρεαλ-час διορθώσεις παραμένουν στο ανθρώπινο πεδίο.

Εδώ είναι που εμφανίζεται μια νέα απαιτηση: να εκπαιδεύσετε ένα ρομπότ να εκτελέσει μια συγκεκριμένη εργασία ακριβώς όπως ένας ειδικός 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 προκύπτει: τι ακριβώς απαιτείται για αυτό το επίπεδο εκπαίδευσης; Αν θέλουμε ένα ρομπότ να αναπαράγει την απόδοση των ανθρώπων, 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 καταγράψει πώς εκτελεί την εργασία.

Τι απαιτείται για τα ρομπότ να “ζήσουν” στον ανθρώπινο κόσμο

Μια κάμερα μόνο δεν είναι αρκετή. Είναι απαραίτητο να καταγραφεί όχι μόνο η οπτική προοπτική αλλά και η φυσική της κίνησης. Αυτό γίνεται με ειδικές γάντες με αισθητήρες που μετρούν την πίεση, την εφαρμοζόμενη δύναμη και τη φύση της αλληλεπίδρασης με τα αντικείμενα. Αυτό είναι ιδιαίτερα σημαντικό επειδή τα αντικείμενα αυτά possono να διαφέρουν σημαντικά. Για παράδειγμα, οι στεγανωτικές λωρίδες possono 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 πήχη, τους αγκώνες και μερικές φορές τους ώμους. Αυτά possono να περιλαμβάνουν, για παράδειγμα, βραχιόλια με αναγνωρίσιμους маркέρ (παρόμοιους με κωδικούς QR) που επιτρέπουν στο σύστημα να παρακολουθήσει τη θέση του χεριού στο χώρο από το βίντεο. Πρόσθετοι αισθητήρες, όπως γυροσκόπια, χρησιμοποιούνται για να καταγράψουν τις κινήσεις των αρθρώσεων.

Ο τελικός στόχος 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 – post-εκπαίδευση.

Αν, κατά τη διάρκεια της προ-εκπαίδευσης, μπορούσαμε ακόμη να βασιστούμε εν μέρει στην προσομοίωση, σε αυτό το στάδιο, δεν λειτουργεί πλέον. Αυτή η “τελευταία μίλη” είναι σχεδόν αδύνατο να μοντελοποιηθεί ακριβώς. Δεν μπορείτε να προσομοιώσετε πλήρως, για παράδειγμα, πώς ένας σεφ αναμιγνύει τη ζύμη – η δύναμη που εφαρμόζεται, πώς η πίεση είναι κατανεμημένη, πώς το υλικό αισθάνεται.

Γι’ αυτό, κατά τη διάρκεια της post-εκπαίδευσης, σχεδόν όλα τα δεδομένα πρέπει να προέρχονται από τον πραγματικό κόσμο. Και εδώ είναι που γίνεται σαφές: η κύρια πρόκληση μετατοπίζεται στο πρακτικό πεδίο – πώς να αποκτήσετε τέτοια δεδομένα στην πραγματικότητα. Η συλλογή egocentric δεδομένων σε αυτό το επίπεδο είναι μια σύνθετη, πολλαπλή διαδικασία που εμπλέκει πρόσβαση σε περιβάλλοντα, ειδικό εξοπλισμό, συμμετοχή από ειδικούς εργάτες και επόμενη προετοιμασία δεδομένων.

Πέρα από τη θεωρία, αυτό είναι όπου τα ρομπότ πραγματικά “ζουν” – μετά που καταφέρνουμε να οργανώσουμε αυτήν τη διαδικασία, να υπερβούμε τις περιορισμούς που αντιμετωπίζουν οι ομάδες σε όλους τους κλάδους και να αναnotate τέτοια σύνολα δεδομένων σε κλίμακα. Αυτό θα καλύψει στο επόμενο μέρος, όπου θα εξετάσουμε πιο στενά όλες τις προκλήσεις που προκύπτουν κατά τη διάρκεια της επισήμανσης και προετοιμασίας.