Bahasa Manusia Mempercepat Pembelajaran Robot

Tim peneliti di Princeton menemukan bahwa deskripsi bahasa manusia tentang alat dapat mempercepat pembelajaran lengan robot simulasi yang dapat mengangkat dan menggunakan berbagai alat.

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

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

Metode ATLA untuk Pelatihan

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

Anirudha Majumdar adalah asisten profesor teknik mesin dan aerospasial di Princeton dan kepala Laboratorium Gerakan Robot Cerdas.

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

Tim mengajukan pertanyaan kepada model bahasa GPT-3 untuk mendapatkan deskripsi alat. Setelah mencoba berbagai prompt, mereka memutuskan untuk menggunakan “Deskripsikan [fitur] dari [alat] dalam respons ilmiah yang rinci dan mendalam,” dengan fitur menjadi bentuk atau tujuan alat.

Karthik Narasimhan adalah asisten profesor ilmu komputer dan co-penulis studi ini. Narasimhan juga merupakan anggota fakultas utama di grup pemrosesan bahasa alami Princeton dan berkontribusi pada model bahasa GPT asli sebagai ilmuwan peneliti tamu di OpenAI.

“Karena model bahasa ini telah dilatih pada internet, dalam beberapa arti Anda dapat berpikir ini sebagai cara lain untuk mengambil informasi tersebut lebih efisien dan komprehensif daripada menggunakan crowdsourcing atau mengambil deskripsi alat dari situs web tertentu,” kata Narasimhan.

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

Eksperimen Pembelajaran Robot Simulasi

Tim memilih set pelatihan 27 alat untuk eksperimen pembelajaran robot simulasi mereka, dengan alat yang berkisar dari kapak hingga squeegee. Lengan robot diberi empat tugas yang berbeda: mendorong alat, mengangkat alat, menggunakan alat untuk menyapu silinder di atas meja, atau memukul paku ke dalam lubang.

Tim kemudian mengembangkan serangkaian kebijakan dengan menggunakan pendekatan pembelajaran mesin dengan dan tanpa informasi bahasa. Kinerja kebijakan tersebut dibandingkan pada tes terpisah dari sembilan alat dengan deskripsi yang dipasangkan.

Pendekatan ini, yang disebut meta-pembelajaran, meningkatkan kemampuan robot untuk belajar dengan setiap tugas yang sukses.

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

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

Allen Z. Ren adalah mahasiswa Ph.D. di grup Majumdar dan penulis utama makalah penelitian ini.

“Dengan pelatihan bahasa, robot belajar untuk menggenggam ujung panjang dari palu dan menggunakan permukaan melengkung untuk membatasi gerakan botol,” kata Ren. “Tanpa bahasa, robot menggenggam palu dekat permukaan melengkung dan lebih sulit untuk dikendalikan.”

“Tujuan utama adalah untuk membuat sistem robotik – khususnya, yang dilatih menggunakan pembelajaran mesin – untuk menggeneralisasi ke lingkungan baru,” tambah Majumdar.