Il linguaggio umano accelera l'apprendimento robotico

Un team di ricercatori di Princeton ha scoperto che le descrizioni degli strumenti in linguaggio umano possono accelerare l'apprendimento di un braccio robotico simulato che può sollevare e utilizzare vari strumenti.

La nuova ricerca supporta l'idea che l'addestramento AI possa rendere i robot autonomi più adattivi in ​​nuove situazioni, il che a sua volta ne migliora l'efficacia e la sicurezza.

Aggiungendo descrizioni della forma e della funzione di uno strumento al processo di addestramento del robot, è stata migliorata la capacità del robot di manipolare nuovi strumenti.

Metodo ATLA per la formazione

Viene chiamato il nuovo metodo Apprendimento accelerato della manipolazione degli strumenti con il linguaggio, o ATLA.

Anirudha Majumdar è assistente professore di ingegneria meccanica e aerospaziale a Princeton e capo dell'Intelligent Robot Motion Lab.

"Informazioni extra sotto forma di linguaggio possono aiutare un robot a imparare a utilizzare gli strumenti più rapidamente", ha affermato Majumdar.

Il team ha interrogato il modello linguistico GPT-3 per ottenere le descrizioni degli strumenti. Dopo aver provato vari suggerimenti, hanno deciso di utilizzare "Descrivi la [caratteristica] di [strumento] in una risposta dettagliata e scientifica", con la caratteristica che è la forma o lo scopo dello strumento.

Karthik Narasimhan è un assistente professore di informatica e coautore dello studio. Narasimhan è anche membro principale della facoltà del gruppo di elaborazione del linguaggio naturale (NLP) di Princeton e ha contribuito al modello linguistico GPT originale come ricercatore in visita presso OpenAI.

"Poiché questi modelli linguistici sono stati addestrati su Internet, in un certo senso puoi pensare a questo come a un modo diverso di recuperare tali informazioni in modo più efficiente e completo rispetto all'utilizzo del crowdsourcing o dello scraping di siti Web specifici per le descrizioni degli strumenti", ha affermato Narasimhan.

Esperimenti di apprendimento robot simulato

Il team ha selezionato un set di addestramento di 27 strumenti per i loro esperimenti di apprendimento robotico simulato, con gli strumenti che vanno da un'ascia a una spatola. Al braccio robotico sono stati assegnati quattro diversi compiti: spingere lo strumento, sollevare lo strumento, usarlo per spazzare un cilindro lungo un tavolo o martellare un piolo in un buco.

Il team ha poi sviluppato una serie di politiche utilizzando approcci di apprendimento automatico con e senza informazioni sulla lingua. Le prestazioni delle politiche sono state confrontate in un test separato di nove strumenti con descrizioni accoppiate.

L'approccio, che si chiama meta-apprendimento, rafforza la capacità del robot di apprendere con ogni compito successivo.

Secondo Narasimhan, il robot non sta solo imparando a usare ogni strumento, ma anche “cerca di imparare a capire le descrizioni di ciascuno di questi cento diversi strumenti, quindi quando vede il 101esimo strumento è più veloce nell'imparare a usare il nuovo strumento. "

Nella maggior parte degli esperimenti, le informazioni linguistiche hanno fornito vantaggi significativi per la capacità del robot di utilizzare nuovi strumenti.

Allen Z. Ren è un dottorato di ricerca. studente nel gruppo di Majumdar e autore principale del documento di ricerca.

"Con la formazione linguistica, impara ad afferrare l'estremità lunga del piede di porco e utilizzare la superficie curva per limitare meglio il movimento della bottiglia", ha detto Ren. "Senza la lingua, afferrava il piede di porco vicino alla superficie curva ed era più difficile da controllare."

"L'obiettivo generale è far sì che i sistemi robotici, in particolare quelli addestrati utilizzando l'apprendimento automatico, si adattino a nuovi ambienti", ha aggiunto Majumdar.