Sistem AI Baru Mengubah Adaptasi Robot ke Ruang Dunia Nyata

Bidang robotika telah lama berhadapan dengan tantangan signifikan: melatih robot untuk berfungsi secara efektif di lingkungan dunia nyata yang dinamis. Sementara robot unggul dalam pengaturan terstruktur seperti jalur perakitan, mengajar mereka untuk menavigasi sifat tidak terduga dari rumah dan ruang publik telah terbukti menjadi tugas yang sangat sulit. Hambatan utama? Kekurangan data dunia nyata yang beragam yang diperlukan untuk melatih mesin-mesin ini.

Dalam pengembangan baru dari Universitas Washington, peneliti telah memperkenalkan dua sistem AI inovatif yang dapat mengubah cara melatih robot untuk skenario dunia nyata yang kompleks. Sistem-sistem ini memanfaatkan kekuatan data video dan foto untuk menciptakan simulasi realistis untuk pelatihan robot.

RialTo: Membuat Digital Twins untuk Pelatihan Robot

Sistem pertama, yang dinamai RialTo, memperkenalkan pendekatan baru untuk menciptakan lingkungan pelatihan untuk robot. RialTo memungkinkan pengguna untuk menghasilkan “digital twin” – replika virtual dari ruang fisik – menggunakan hanya smartphone.

Dr. Abhishek Gupta, asisten profesor di Sekolah Ilmu Komputer dan Teknik Universitas Washington Paul G. Allen dan co-penulis senior studi, menjelaskan prosesnya: “Pengguna dapat dengan cepat memindai ruang dengan smartphone untuk merekam geometrinya. RialTo kemudian menciptakan ‘digital twin’ simulasi ruang tersebut.”

Digital twin ini tidak hanya model 3D statis. Pengguna dapat berinteraksi dengan simulasi, mendefinisikan bagaimana objek-objek yang berbeda di ruang tersebut berfungsi. Misalnya, mereka dapat mendemonstrasikan bagaimana laci dibuka atau peralatan beroperasi. Interaktivitas ini sangat penting untuk pelatihan robot.

Setelah digital twin dibuat, robot virtual dapat berlatih tugas-tugas di lingkungan simulasi ini berulang kali. Melalui proses yang disebut pembelajaran penguatan, robot belajar untuk melakukan tugas-tugas secara efektif, bahkan memperhitungkan gangguan atau perubahan potensial di lingkungan.

Keindahan RialTo terletak pada kemampuannya untuk mentransfer pembelajaran virtual ini ke dunia nyata. Gupta mencatat, “Robot dapat mentransfer pembelajaran itu ke lingkungan fisik, di mana ia hampir sama akuratnya dengan robot yang dilatih di dapur nyata.”

URDFormer: Menghasilkan Simulasi dari Gambar Internet

Sementara RialTo fokus pada menciptakan simulasi yang sangat akurat dari lingkungan tertentu, sistem kedua, URDFormer, mengambil pendekatan yang lebih luas. URDFormer bertujuan untuk menghasilkan sejumlah besar simulasi generik dengan cepat dan efisien.

Zoey Chen, mahasiswa doktoral di Universitas Washington dan penulis utama studi URDFormer, menjelaskan pendekatan unik sistem ini: “URDFormer memindai gambar dari internet dan memasangkannya dengan model-model yang ada tentang bagaimana, misalnya, laci dan lemari dapur kemungkinan akan bergerak. Kemudian, ia memprediksi simulasi dari gambar dunia nyata awal.”

Metode ini memungkinkan peneliti untuk menghasilkan ratusan lingkungan simulasi yang beragam dengan cepat. Meskipun simulasi-simulasi ini mungkin tidak seakurat yang dibuat oleh RialTo, mereka menawarkan keuntungan penting: skala. Kemampuan untuk melatih robot di berbagai skenario dapat meningkatkan kemampuan adaptasi mereka terhadap situasi dunia nyata yang beragam.

Chen menekankan pentingnya pendekatan ini, terutama untuk lingkungan rumah: “Rumah-rumah unik dan terus-menerus berubah. Ada keragaman objek, tugas, denah lantai, dan orang-orang yang bergerak melalui mereka. Inilah di mana AI menjadi sangat berguna bagi roboticist.”

Dengan memanfaatkan gambar internet untuk menciptakan simulasi-simulasi ini, URDFormer secara dramatis mengurangi biaya dan waktu yang diperlukan untuk menghasilkan lingkungan pelatihan. Ini dapat mempercepat pengembangan robot yang mampu berfungsi di lingkungan dunia nyata yang beragam.

Demokratisasi Pelatihan Robot

Pengenalan RialTo dan URDFormer mewakili lompatan besar dalam demokratisasi pelatihan robot. Sistem-sistem ini memiliki potensi untuk mengurangi biaya yang terkait dengan mempersiapkan robot untuk lingkungan dunia nyata, membuat teknologi ini lebih mudah diakses oleh peneliti, pengembang, dan bahkan pengguna akhir.

Dr. Gupta menyoroti potensi demokratisasi teknologi ini: “Jika Anda dapat membuat robot bekerja di rumah Anda hanya dengan memindai ruang dengan ponsel, itu mendemokratisasi teknologi.” Aksesibilitas ini dapat mempercepat pengembangan dan adopsi robot rumah, membawa kita lebih dekat ke masa depan di mana robot rumah tangga seumum smartphone.

Implikasinya untuk robot rumah sangat menarik. Karena rumah-rumah mewakili salah satu lingkungan paling menantang bagi robot karena sifatnya yang beragam dan terus-menerus berubah, metode pelatihan baru ini dapat menjadi perubahan besar. Dengan memungkinkan robot untuk belajar dan beradaptasi dengan tata letak dan rutinitas rumah individu, kita mungkin melihat generasi baru asisten rumah tangga yang benar-benar berguna, mampu melakukan berbagai tugas.

Pendekatan Komplementer: Prapengajaran dan Penerapan Spesifik

Sementara RialTo dan URDFormer menghadapi tantangan pelatihan robot dari sudut yang berbeda, mereka tidak saling eksklusif. Sebenarnya, sistem-sistem ini dapat bekerja bersama untuk menyediakan rejimen pelatihan yang lebih komprehensif untuk robot.

“Dua pendekatan dapat saling melengkapi,” Dr. Gupta menjelaskan. “URDFormer sangat berguna untuk prapengajaran pada ratusan skenario. RialTo sangat berguna jika Anda telah prapengajaran robot, dan sekarang Anda ingin menerapkannya di rumah seseorang dan membuatnya sekitar 95% sukses.”

Pendekatan komplementer ini memungkinkan proses pelatihan dua tahap. Pertama, robot dapat dipaparkan pada berbagai skenario menggunakan simulasi yang dihasilkan oleh URDFormer dengan cepat. Paparan ini membantu robot mengembangkan pemahaman umum tentang lingkungan dan tugas yang berbeda. Kemudian, untuk penerapan spesifik, RialTo dapat digunakan untuk menciptakan simulasi yang sangat akurat dari lingkungan tepat di mana robot akan beroperasi, memungkinkan penyesuaian keterampilan yang halus.

Menghadap ke depan, peneliti sedang menjelajahi cara-cara untuk lebih meningkatkan metode pelatihan ini. Dr. Gupta menyebutkan arah penelitian masa depan: “Maju, tim RialTo ingin menerapkan sistemnya di rumah-rumah orang (sebagian besar telah diuji di laboratorium).” Pengujian dunia nyata ini akan sangat penting dalam memperhalus sistem dan memastikan efektivitasnya di lingkungan rumah yang beragam.

Tantangan dan Prospek Masa Depan

Meskipun kemajuan yang menjanjikan, tantangan masih ada di bidang pelatihan robot. Salah satu masalah kunci yang dihadapi peneliti adalah bagaimana menggabungkan data dunia nyata dan simulasi secara efektif.

Dr. Gupta mengakui tantangan ini: “Kami masih harus menemukan cara terbaik untuk menggabungkan data yang dikumpulkan langsung di dunia nyata, yang mahal, dengan data yang dikumpulkan dalam simulasi, yang murah, tetapi sedikit salah.” Tujuannya adalah menemukan keseimbangan optimal yang memanfaatkan efisiensi biaya simulasi sambil mempertahankan akurasi yang diberikan oleh data dunia nyata.

Dampak potensial pada industri robotika sangat signifikan. Metode pelatihan baru ini dapat mempercepat pengembangan robot yang lebih mampu dan adaptif, potensial memimpin pada terobosan di bidang yang berkisar dari asisten rumah tangga hingga perawatan kesehatan dan lebih jauh.

Lebih lanjut, karena metode pelatihan ini menjadi lebih halus dan mudah diakses, kita mungkin melihat pergeseran di industri robotika. Perusahaan-perusahaan kecil dan bahkan pengembang individu dapat memiliki alat untuk melatih robot canggih, potensial memimpin pada ledakan aplikasi robotik inovatif.

Prospek masa depan sangat menarik, dengan aplikasi potensial yang meluas jauh melampaui kasus penggunaan saat ini. Ketika robot menjadi lebih mahir dalam menavigasi dan berinteraksi dengan lingkungan dunia nyata, kita mungkin melihat mereka mengambil tugas-tugas yang semakin kompleks di rumah, kantor, rumah sakit, dan ruang publik.