Peneliti MIT Menggabungkan Data Gerakan Robot dengan Model Bahasa untuk Meningkatkan Eksekusi Tugas

Robot rumah tangga semakin banyak diajarkan untuk melakukan tugas kompleks melalui pembelajaran imitasi, proses di mana mereka diprogram untuk meniru gerakan yang ditunjukkan oleh manusia. Sementara robot telah terbukti menjadi peniru yang sangat baik, mereka sering mengalami kesulitan untuk menyesuaikan diri dengan gangguan atau situasi yang tidak terduga yang ditemui selama eksekusi tugas. Tanpa pemrograman eksplisit untuk menangani penyimpangan ini, robot dipaksa untuk memulai tugas dari awal. Untuk mengatasi tantangan ini, insinyur MIT sedang mengembangkan pendekatan baru yang bertujuan untuk memberikan robot rasa “common sense” ketika menghadapi situasi yang tidak terduga, memungkinkan mereka untuk menyesuaikan diri dan melanjutkan tugas tanpa memerlukan intervensi manual.

Pendekatan Baru

Peneliti MIT mengembangkan metode yang menggabungkan data gerakan robot dengan “pengetahuan common sense” dari model bahasa besar (LLM). Dengan menghubungkan kedua elemen ini, pendekatan ini memungkinkan robot untuk secara logis memecah tugas rumah tangga menjadi subtugas dan menyesuaikan diri dengan gangguan dalam setiap subtugas. Ini memungkinkan robot untuk melanjutkan tanpa harus memulai tugas dari awal, dan menghilangkan kebutuhan bagi insinyur untuk secara eksplisit memprogram perbaikan untuk setiap kemungkinan kegagalan di sepanjang jalan.

Sebagai mahasiswa pascasarjana Yanwei Wang dari Departemen Teknik Elektro dan Ilmu Komputer (EECS) MIT menjelaskan, “Dengan metode kami, robot dapat memperbaiki kesalahan eksekusi dan meningkatkan keberhasilan tugas secara keseluruhan.”

Untuk mendemonstrasikan pendekatan baru mereka, peneliti menggunakan tugas sederhana: mengambil bola dari satu mangkuk dan menuangkannya ke mangkuk lain. Secara tradisional, insinyur akan memindahkan robot melalui gerakan mengambil dan menuang dalam satu jalur yang lancar, sering memberikan demonstrasi manusia yang berbeda untuk robot meniru. Namun, seperti yang ditunjukkan oleh Wang, “demonstrasi manusia adalah satu jalur yang panjang dan terus-menerus.” Tim menyadari bahwa sementara manusia mungkin mendemonstrasikan satu tugas dalam satu kali, tugas tersebut bergantung pada urutan subtugas. Misalnya, robot harus mencapai mangkuk sebelum mengambil bola, dan harus mengambil bola sebelum memindahkan ke mangkuk yang kosong.

Jika robot melakukan kesalahan selama salah satu subtugas, satu-satunya pilihan adalah berhenti dan memulai dari awal, kecuali insinyur secara eksplisit menandai setiap subtugas dan memprogram atau mengumpulkan demonstrasi baru untuk robot pulih dari kegagalan. Wang menekankan bahwa “tingkat perencanaan seperti itu sangat melelahkan.” Inilah tempat pendekatan baru peneliti berperan. Dengan menggunakan kekuatan LLM, robot dapat secara otomatis mengidentifikasi subtugas yang terlibat dalam tugas secara keseluruhan dan menentukan tindakan pemulihan potensial dalam kasus gangguan. Ini menghilangkan kebutuhan bagi insinyur untuk secara manual memprogram robot untuk menangani setiap skenario kegagalan yang mungkin terjadi, membuat robot lebih adaptif dan efisien dalam mengeksekusi tugas rumah tangga.

Peran Model Bahasa Besar

LLM memainkan peran kunci dalam pendekatan baru peneliti MIT. Model pembelajaran dalam ini memproses perpustakaan teks yang luas, membangun koneksi antara kata, kalimat, dan paragraf. Melalui koneksi ini, LLM dapat menghasilkan kalimat baru berdasarkan pola yang dipelajari, secara esensial memahami jenis kata atau frasa yang kemungkinan mengikuti yang terakhir.

Peneliti menyadari bahwa kemampuan LLM ini dapat dimanfaatkan untuk secara otomatis mengidentifikasi subtugas dalam tugas yang lebih besar dan tindakan pemulihan potensial dalam kasus gangguan. Dengan menggabungkan “pengetahuan common sense” LLM dengan data gerakan robot, pendekatan baru ini memungkinkan robot untuk secara logis memecah tugas menjadi subtugas dan menyesuaikan diri dengan situasi yang tidak terduga. Integrasi LLM dan robotika ini memiliki potensi untuk merevolusi cara robot rumah tangga diprogram dan dilatih, membuat mereka lebih adaptif dan mampu menangani tantangan dunia nyata.

Seiring kemajuan bidang robotika, integrasi teknologi AI seperti LLM akan menjadi semakin penting. Pendekatan peneliti MIT ini adalah langkah signifikan menuju menciptakan robot rumah tangga yang tidak hanya dapat meniru tindakan manusia tetapi juga memahami logika dan struktur dasar tugas yang mereka lakukan. Pemahaman ini akan menjadi kunci untuk mengembangkan robot yang dapat beroperasi secara otonom dan efisien dalam lingkungan yang kompleks dan nyata.

Menuju Masa Depan yang Lebih Pintar dan Adaptif untuk Robot Rumah Tangga

Dengan memungkinkan robot untuk memperbaiki kesalahan eksekusi dan meningkatkan keberhasilan tugas secara keseluruhan, metode ini menangani salah satu tantangan utama dalam pemrograman robot: adaptasi terhadap situasi dunia nyata.

Implikasi penelitian ini jauh melampaui tugas sederhana mengambil bola. Seiring robot rumah tangga menjadi lebih umum, mereka akan perlu mampu menangani berbagai tugas dalam lingkungan yang dinamis dan tidak terstruktur. Kemampuan untuk memecah tugas menjadi subtugas, memahami logika dasar, dan menyesuaikan diri dengan gangguan akan menjadi esensial bagi robot ini untuk beroperasi secara efektif dan efisien.

Selain itu, integrasi LLM dan robotika menunjukkan potensi teknologi AI untuk merevolusi cara kita memprogram dan melatih robot. Seiring teknologi ini terus berkembang, kita dapat mengharapkan melihat robot yang lebih pintar, adaptif, dan otonom di rumah dan tempat kerja kita.

Penelitian peneliti MIT ini adalah langkah kritis menuju menciptakan robot rumah tangga yang dapat benar-benar memahami dan menavigasi kompleksitas dunia nyata. Seiring pendekatan ini disempurnakan dan diterapkan pada berbagai tugas, ini memiliki potensi untuk mengubah cara kita hidup dan bekerja, membuat hidup kita lebih mudah dan efisien.