Opetimme robotit liikkumaan. Nyt opetamme niitä elämään

Nykyrobotiikka on edennyt vaiheeseen, jossa liikkuminen ei enää ole suurin haaste: koneet osaavat jo suunnistaa, tarttua esineisiin ja toimia tilassa vaikuttavan tarkasti. Niiden saaminen todella ”elämään” ja toimimaan oikeassa maailmassa on silti ratkaisematon ongelma.

Tässä prosessissa keskeinen rooli on sillä, mitä voisi kutsua ”selkäytimeksi”: järjestelmällä, joka vastaa perusreaktioista, käyttäytymisestä ja vuorovaikutuksesta ympäristön kanssa.

Kun robottien kehitystä tarkastelee tästä näkökulmasta, vaiheiden ketju muistuttaa läheisesti ihmisen kehitystä. Järjestelmä oppii joka vaiheessa jotain uutta, yksinkertaisesta liikkeestä monimutkaiseen, asiayhteyden huomioivaan toimintaan.

Juuri tässä kehityksessä ”tyhjästä” laitteistosta merkitykselliseen käyttäytymiseen tapahtuu fyysisen tekoälyn tämänhetkinen keskeinen muutos. Aiheeseen on kiinnostavaa perehtyä syvemmin.

Robotiikan perusta: vaihe, josta puhutaan harvoin

Mikä robotti käytännössä on? Se on fyysinen laite, joka luodaan aluksi yleiskäyttöiseksi alustaksi. Se on pohjimmiltaan ”aihio”, joka on sitten mukautettava tiettyihin tehtäviin, koulutettava toimimaan tietyssä ympäristössä ja opetettava suorittamaan tarvittavat toiminnot.

Kun siirrytään arkisista tilanteista realistisempiin lähitulevaisuuden sovelluksiin, käy ilmi, että robottien laajamittainen käyttöönotto tapahtuu ensisijaisesti teollisissa ja mahdollisesti vaarallisissa ympäristöissä. Tämä puolestaan asettaa huomattavasti korkeammat vaatimukset niiden käyttäytymiselle, toimintavarmuudelle ja koulutuksen laadulle.

Prosessi alkaa aivan perustasolta: itse laitteen rakentamisesta. Robotti kootaan useista osista, kuten toimilaitteista, moottoreista, antureista, kameroista ja LiDAR-laitteista. Se voi olla ihmismäinen, pyörillä kulkeva, kaksi- tai nelijalkainen. Ulkomuoto on toissijainen. Olennaista on, että tuloksena on tässä vaiheessa toimiva mutta yhä ”tyhjä” laite.

Seuraavaksi asennetaan perusmalli, joka luo pohjan robotin käyttäytymiselle. Laajasti ymmärrettynä ”malli” tarkoittaa koko toiminnallista ohjauskerrosta. Se vastaa ydinkyvyistä: tasapainon säilyttämisestä, seisomisesta ja liikkumisesta, suunnistamisesta pisteestä A pisteeseen B, esteiden välttämisestä, ympäristön vahingoittamisen ehkäisemisestä ja turvallisesta vuorovaikutuksesta ihmisten kanssa.

Tässä tulee mukaan vahvistusoppiminen. Tällaisissa järjestelmissä ajetaan miljardeja simulaatioita. Näemme usein videoita roboteista ”oppimassa” monimutkaisissa ympäristöissä: useimmat kaatuvat, menettävät tasapainonsa tai epäonnistuvat tehtävässä. Pystyssä pysyvät ja liikkumista jatkavat yksilöt etenevät kuitenkin seuraaviin vaiheisiin.

Tämä on vahvistusoppimisen ydin: onnistuneen käyttäytymisen valitseminen. ”Selviytyvien” algoritmit muodostavat seuraavien iteraatioiden perustan. Valtavan ajomäärän jälkeen syntyy malli, joka selviytyy esteistä varmasti. Tämä algoritmi siirretään sitten fyysiseen laitteeseen.

Kyse on perustavasta mutta ratkaisevan tärkeästä vaiheesta, jossa käytetään usein vain vähän konenäköä tai ei lainkaan, sillä sitä ei tässä kohtaa tarvita. Käsiteltävänä ovat fysiikan ja mekaniikan perusteet, jotka on sisällytettävä järjestelmään heti alusta lähtien.

Miten robotit alkavat ”tuntea” maailman

Meillä on siis jo ”laitteisto”: robotti, johon on asennettu perusmalli ja joka osaa seistä, kävellä ja säilyttää tasapainonsa. Riittääkö tämä oikean maailman tehtäviin, vaikkapa teollisissa ympäristöissä? Selvästikään ei.

Tästä alkaa seuraava taso. Yhdistämme järjestelmään antureita ja koulutamme mallin toimimaan aistitiedon perusteella. Näin syntyy uusi perustaitojen kerros, joka on jo huomattavasti yksinkertaista liikkumista monimutkaisempi.

Vertaus ihmisen kehitykseen auttaa. Ensimmäisessä vaiheessa nostimme järjestelmän suunnilleen yksivuotiaan lapsen tasolle: se pystyy seisomaan, ottamaan ensiaskelia ja säilyttämään tasapainonsa kaatumatta. Seuraava askel vastaa pikemminkin kahdeksanvuotiaan tasoa.

Tässä iässä lapsi käyttää aktiivisesti ”antureitaan”: hän havaitsee riskejä ja arvioi tekojensa seurauksia. Hän ymmärtää olla koskematta kuumaan tai laittamatta suuhunsa jotain hyvin kylmää. Hän osaa kiivetä pöydälle, ajaa polkupyörällä ja toimia esineiden kanssa. Hän pystyy tarttumaan, kantamaan ja käsittelemään esineitä sekä huolehtimaan itsestään perustasolla.

Kutsumme tätä vaihetta esikoulutukseksi. Tässä vaiheessa pelkät simulaatiot eivät enää riitä.

Joitakin tilanteita voidaan toki yhä mallintaa tehokkaasti: esimerkiksi lasiin tarttumista tai akun vaihtamista siten, että yksi osa irrotetaan, laitetaan lataukseen, otetaan toinen ja asennetaan se paikalleen.

Kokonaisuutena painotus kuitenkin muuttuu: noin 80 prosenttia koulutuksesta voi edelleen tapahtua simulaatiossa, mutta noin 20 prosentin datasta on tultava oikeasta maailmasta. Tässä alamme puhua egosentrisestä eli ensimmäisen persoonan näkökulmasta kerätystä datasta.

Egosentrinen data ympäristön ymmärtämisen perustana

Egosentristä dataa kerätään nykyisin valtavassa mittakaavassa ympäri maailmaa. Ilman sitä ei voida siirtyä perusmekaniikasta merkitykselliseen vuorovaikutukseen oikean maailman kanssa. Kollegani johtaa autokorjaamoverkostoa, jonka työntekijät tallentavat päähän kiinnitetyillä kameroilla auton koko korjausprosessin. New Yorkissa eräs kiinteistönomistaja on ottanut käyttöön samanlaisen menetelmän: siivoojat käyttävät otsakameroita, jotka kuvaavat tilojen imurointia ja saniteettitilojen ylläpitoa.

Ajan mittaan tallenteista tulee itsenäinen tuote: ne paketoidaan ja myydään. Niiden tärkein arvo on soveltuvuus esikoulutukseen, jossa ne auttavat rakentamaan perustavaa ymmärrystä ympäristöistä ja toimintojen järjestyksestä.

Esimerkiksi tällainen palvelu oli Keymakr-yrityksellä, jonka tiimi loi itsenäisesti kokonaisia egosentrisen datan kokoelmia yksinkertaisista tilanteista, kuten astioiden pesemisestä, monimutkaisempiin tilanteisiin.

Miksi tämä on niin tärkeää? Tällainen data tarjoaa jotain, mihin pelkkä simulaatio ei pysty: oikean maailman ympäristöjen monimuotoisuuden. Toimistot, autokorjaamot, rakennustyömaat, ravintolat ja hotellit tuovat kukin oman kontekstinsa, tilanteensa ja vivahteensa. Yhdessä ne muodostavat aineiston, jonka avulla järjestelmä voi pelkän ”näkemisen” sijaan alkaa vähitellen ymmärtää oikean maailman dynamiikkaa.

Tässä vaiheessa tavoitteena ei enää ole opettaa robottia suorittamaan jotain yksittäistä toimintoa täydellisesti. Tärkeämpää on ylipäätään mahdollistaa sen suunnistaminen ympäristössään.

Nykyisin lähes kaikki robotiikan parissa työskentelevät yritykset Teslasta (TSLA ) Unitree Roboticsiin ja Figure AI:hin keskittyvät juuri tähän vaiheeseen. Ne pyrkivät rakentamaan perusmallin, jonka kyvyt muistuttavat ensin ”kahdeksanvuotiasta lasta” ja kehittyvät sitten kohti ”kaksitoistavuotiaan” tasoa. Tähän keskitymme myös Introspector-yrityksessä: valmistelemme esikoulutuksessa tarvittavaa dataa modernin robotiikan ”aikuistumisen” tärkeintä vaihetta varten.

Koulutuksen viimeinen etappi: yleiskäyttöisyydestä erikoistumiseen

Kuvitellaan, että robotti on jo suorittanut esikoulutuksen ja valmistetaan alusta alkaen ymmärtämään maailmaa perustasolla ja hallitsemaan teini-ikäiseen verrattavat taidot. Tämäkään ei kuitenkaan riitä yritysten todellisiin käyttötarpeisiin. Ne eivät tarvitse pelkästään ”yleiskäyttöistä” robottia vaan erikoisosaajan.

Otetaan esimerkiksi autonvalmistus. Ihmiset tekevät edelleen joitakin tehtäviä, koska ne vaativat herkkyyttä, tarkkuutta ja jatkuvaa visuaalista valvontaa. Perinteinen automaatio on tässä vaikeuksissa. Teollisuusrobotit menestyvät toistuvissa, jäykästi määritellyissä tehtävissä: ”tartu, siirrä, aseta”. Sopeutumiskykyä, paineen aistimista ja reaaliaikaista säätöä vaativat tehtävät ovat silti yhä ihmisten aluetta.

Tästä syntyy uusi tarve: robotti on koulutettava suorittamaan tietty työvaihe täsmälleen kuten tuotantolinjan ammattitaitoinen työntekijä. Peruskoulutuksen jälkeen tulee siis seuraava taso, tiettyyn ammattiin ja tilanteeseen kouluttaminen.

Tässä herää käytännön kysymys: mitä tämän tason koulutus oikeastaan vaatii? Jos haluamme robotin toistavan ihmisen suorituksen, ihmisen käyttäytyminen on tallennettava mahdollisimman tarkasti. Esimerkiksi tehdastyöntekijän pitäisi käyttää kameraa ja tallentaa työnsä pitkän ajan, kuukausien tai jopa vuoden, kuluessa.

Mitä robottien ”eläminen” ihmisten maailmassa vaatii

Pelkkä kamera ei riitä. Visuaalisen näkökulman lisäksi on tallennettava liikkeen fysiikka. Tähän käytetään erikoiskäsineitä, joiden tuntoanturit mittaavat painetta, käytettyä voimaa ja esineisiin kohdistuvan vuorovaikutuksen luonnetta. Tämä on erityisen tärkeää, koska esineet itsessään voivat vaihdella paljon. Esimerkiksi tiivistenauhojen jäykkyys voi vaihdella automallin mukaan, mikä vaikuttaa suoraan työn suorittamiseen.

Seuraavaksi tarvitaan kinemaattista seurantaa. Ranteisiin, kyynärpäihin ja joskus hartioihin asetetaan visuaalisia tai antureihin perustuvia merkkejä. Näitä voivat olla esimerkiksi rannekkeet, joissa on tunnistettavia, QR-koodeja muistuttavia merkkejä. Niiden avulla järjestelmä seuraa käsien sijaintia tilassa videolta. Lisäksi nivelten liikkeiden tallentamiseen käytetään esimerkiksi gyroskooppeja.

Lopullinen tavoite on rekonstruoida liikkeen mekaniikka kokonaisuudessaan: miten olkapää liikkuu, kyynärpää taipuu ja ranne kiertyy. Kaikki tämä on välttämätöntä seuraavassa vaiheessa eli jälkikoulutuksessa.

Esikoulutuksessa voitiin vielä osittain nojata simulaatioon, mutta tässä vaiheessa se ei enää toimi. Tämä ”viimeinen etappi” on lähes mahdotonta mallintaa tarkasti. Esimerkiksi kokin taikinan kaulimista ei voi simuloida täydellisesti: käytettyä voimaa, paineen jakautumista ja materiaalin tuntua.

Siksi jälkikoulutuksen lähes kaiken datan on tultava oikeasta maailmasta. Tässä käy selväksi, että suurin haaste siirtyy käytäntöön: miten tällainen data oikeasti hankitaan? Egosentrisen datan kerääminen tällä tasolla on monimutkainen, monivaiheinen prosessi. Se vaatii pääsyä ympäristöihin, erikoislaitteita, ammattitaitoisten työntekijöiden osallistumista ja datan valmistelua keräämisen jälkeen.

Teorian ulkopuolella robotit todella ”heräävät eloon” juuri tässä: kun onnistumme järjestämään prosessin, voittamaan tiimien eri aloilla kohtaamat rajoitteet ja annotoimaan tällaisia aineistoja laajassa mittakaavassa. Aihetta käsitellään seuraavassa osassa, jossa tarkastelemme lähemmin kaikkia aineiston merkitsemisen ja valmistelun aikana syntyviä haasteita.