Bahasa Manusia Mempercepat Pembelajaran Robotik

Sebuah tim peneliti di Princeton telah menemukan bahwa deskripsi alat dalam bahasa manusia dapat mempercepat pembelajaran lengan robot yang disimulasikan yang dapat mengangkat dan menggunakan berbagai alat.

Penelitian baru mendukung gagasan bahwa pelatihan AI dapat membuat robot otonom lebih adaptif dalam situasi baru, yang pada gilirannya meningkatkan efektivitas dan keamanannya.

Dengan menambahkan deskripsi bentuk dan fungsi alat ke proses pelatihan robot, kemampuan robot untuk memanipulasi alat baru ditingkatkan.

Metode ATLA untuk Pelatihan

Metode baru disebut Percepatan Pembelajaran Manipulasi Alat dengan Bahasa, atau ATLA.

Anirudha Majumdar adalah asisten profesor teknik mesin dan kedirgantaraan di Princeton dan kepala Lab Gerak Robot Cerdas.

“Informasi tambahan berupa bahasa dapat membantu robot belajar menggunakan alat lebih cepat,” kata Majumdar.

Tim menanyakan model bahasa GPT-3 untuk mendapatkan deskripsi alat. Setelah mencoba berbagai petunjuk, mereka memutuskan untuk menggunakan "Jelaskan [fitur] dari [alat] dalam tanggapan yang mendetail dan ilmiah," dengan fitur tersebut berupa bentuk atau tujuan alat tersebut.

Karthik Narasimhan adalah asisten profesor ilmu komputer dan salah satu penulis studi ini. Narasimhan juga merupakan anggota fakultas utama dalam kelompok pemrosesan bahasa alami (NLP) Princeton dan berkontribusi pada model bahasa GPT asli sebagai ilmuwan peneliti tamu di OpenAI.

“Karena model bahasa ini telah dilatih di internet, dalam arti tertentu Anda dapat menganggap ini sebagai cara yang berbeda untuk mengambil informasi tersebut secara lebih efisien dan komprehensif daripada menggunakan crowdsourcing atau mengorek situs web tertentu untuk deskripsi alat,” kata Narasimhan.

Eksperimen Pembelajaran Robot yang Disimulasikan

Tim memilih satu set pelatihan yang terdiri dari 27 alat untuk percobaan pembelajaran robot simulasi mereka, dengan alat mulai dari kapak hingga alat pembersih yg terbuat dr karet. Lengan robot diberi empat tugas berbeda: mendorong alat, mengangkat alat, menggunakannya untuk menyapu silinder di sepanjang meja, atau memalu pasak ke dalam lubang.

Tim kemudian mengembangkan serangkaian kebijakan dengan menggunakan pendekatan pembelajaran mesin dengan dan tanpa informasi bahasa. Kinerja kebijakan-kebijakan tersebut dibandingkan melalui pengujian terpisah terhadap sembilan alat dengan deskripsi berpasangan.

Pendekatan, yang disebut meta-learning, meningkatkan kemampuan robot untuk belajar dengan setiap tugas yang berurutan.

Menurut Narasimhan, robot tidak hanya belajar menggunakan setiap alat, tetapi juga “mencoba belajar memahami deskripsi masing-masing dari seratus alat yang berbeda ini, sehingga ketika melihat alat ke-101 lebih cepat dalam belajar menggunakan alat baru. ”

Dalam sebagian besar percobaan, informasi bahasa memberikan keuntungan yang signifikan bagi kemampuan robot untuk menggunakan alat baru.

Allen Z. Ren adalah Ph.D. siswa dalam kelompok Majumdar dan penulis utama makalah penelitian.

“Dengan pelatihan bahasa, ia belajar untuk menggenggam ujung linggis yang panjang dan menggunakan permukaan melengkung untuk membatasi pergerakan botol dengan lebih baik,” kata Ren. “Tanpa bahasa, itu mencengkeram linggis menutup permukaan melengkung dan lebih sulit dikendalikan.”

“Tujuan luasnya adalah untuk mendapatkan sistem robot — khususnya, yang dilatih menggunakan pembelajaran mesin — untuk menggeneralisasi ke lingkungan baru,” tambah Majumdar.