Metode Pembelajaran yang Memungkinkan Robot Belajar dengan Menonton Manusia

Sebuah metode pembelajaran baru yang dikembangkan oleh peneliti di Carnegie Mellon University (CMU) memungkinkan robot untuk langsung belajar dari video interaksi manusia dan menggeneralisasi informasi ke tugas baru, yang membantu mereka belajar cara melakukan tugas rumah tangga. Metode pembelajaran ini disebut WHIRL, yang merupakan singkatan dari In-the-wild Human Imitating Robot Learning, dan membantu robot mengamati tugas dan mengumpulkan data video untuk akhirnya belajar cara menyelesaikan tugas itu sendiri.

Penelitian ini dipresentasikan di konferensi Robotics: Science and Systems di New York.

Imitasi sebagai Cara Belajar

Shikhar Bahl adalah seorang mahasiswa Ph.D. di Institut Robotika (RI) di Sekolah Ilmu Komputer Carnegie Mellon University.

“Imitasi adalah cara yang baik untuk belajar,” kata Bahl. “Memiliki robot yang sebenarnya belajar dari menonton manusia langsung masih merupakan masalah yang belum terpecahkan di bidang ini, tetapi pekerjaan ini mengambil langkah besar dalam memungkinkan kemampuan itu.”

Bahl bekerja bersama Deepak Pathak dan Abhinav Gupta, keduanya adalah anggota fakultas di RI. Tim menambahkan kamera dan perangkat lunak ke robot yang sudah ada yang belajar cara menyelesaikan lebih dari 20 tugas. Tugas-tugas ini termasuk semua hal dari membuka dan menutup peralatan hingga mengambil kantong sampah dari tempat sampah. Setiap kali robot menonton manusia menyelesaikan tugas sebelum mencoba sendiri.

Pathak adalah asisten profesor di RI.

“Pekerjaan ini mempresentasikan cara untuk membawa robot ke rumah,” kata Pathak. “Bukannya menunggu robot diprogram atau dilatih untuk menyelesaikan tugas dengan sukses sebelum menggunakannya di rumah orang, teknologi ini memungkinkan kita untuk menggunakannya dan membiarkan mereka belajar cara menyelesaikan tugas, semua sambil beradaptasi dengan lingkungan dan meningkatkan diri dengan menonton.”

WHIRL vs. Metode Saat Ini

Sebagian besar metode saat ini untuk mengajar robot sebuah tugas bergantung pada imitasi atau pembelajaran penguatan. Dengan pembelajaran imitasi, manusia mengoperasikan robot secara manual dan mengajarinya cara menyelesaikan tugas, yang memerlukan dilakukan beberapa kali sebelum robot belajar. Dengan pembelajaran penguatan, robot biasanya dilatih pada jutaan contoh dalam simulasi sebelum mengadaptasi pelatihan ke dunia nyata.

Sementara kedua model ini efisien dalam mengajar robot sebuah tugas tunggal dalam lingkungan terstruktur, mereka terbukti sulit untuk diskalakan dan diterapkan. Tetapi dengan WHIRL, robot dapat belajar dari video manusia yang menyelesaikan tugas. Ini juga mudah diskalakan, tidak terbatas pada satu tugas tertentu, dan dapat beroperasi di lingkungan rumah.

WHIRL memungkinkan robot menyelesaikan tugas di lingkungan alami mereka. Dan sementara beberapa upaya pertama biasanya berakhir dengan kegagalan, robot dapat belajar dengan sangat cepat setelah beberapa keberhasilan. Robot tidak selalu menyelesaikan tugas dengan gerakan yang sama seperti manusia, tetapi itu karena robot memiliki bagian yang berbeda yang bergerak secara berbeda. Dengan demikian, hasil akhir menyelesaikan tugas selalu sama.

“Untuk menskalakan robotik di alam liar, data harus dapat diandalkan dan stabil, dan robot harus menjadi lebih baik di lingkungan mereka dengan berlatih sendiri,” kata Pathak.