Il linguaggio umano accelera l’apprendimento robotico

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

La nuova ricerca sostiene l’idea che l’addestramento dell’AI possa rendere i robot autonomi più adattabili in nuove situazioni, il che a sua volta migliora la loro efficacia e 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 l’addestramento

Il nuovo metodo si chiama Accelerated Learning of Tool Manipulation with Language, o ATLA.

Anirudha Majumdar è un professore assistente di ingegneria meccanica e aerospaziale a Princeton e capo del Laboratorio di Movimento Robotico Intelligente.

“Le informazioni aggiuntive sotto forma di linguaggio possono aiutare un robot a imparare a utilizzare gli strumenti più velocemente”, ha detto Majumdar.

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

Karthik Narasimhan è un professore assistente di informatica e coautore dello studio. Narasimhan è anche un membro del gruppo di elaborazione del linguaggio naturale (NLP) di Princeton e ha contribuito al modello linguistico GPT originale come scienziato di ricerca visitatore presso OpenAI.

“Poiché questi modelli linguistici sono stati addestrati su Internet, in un certo senso si può pensare che questo sia un modo diverso di recuperare quelle informazioni più efficientemente e in modo più completo rispetto all’utilizzo di crowdsourcing o scraping di specifici siti web per le descrizioni degli strumenti”, ha detto Narasimhan.

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

Eserimenti di apprendimento robotico simulato

Il team ha selezionato un set di addestramento di 27 strumenti per gli esperimenti di apprendimento robotico simulato, con gli strumenti che vanno da un’ascia a una spugna. Il braccio robotico è stato dato quattro compiti diversi: spingere lo strumento, sollevarlo, utilizzarlo per spazzare un cilindro su un tavolo o martellare un perno in un buco.

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

L’approccio, chiamato meta-apprendimento, migliora la capacità del robot di imparare con ogni compito successivo.

Secondo Narasimhan, il robot non sta solo imparando a utilizzare ogni strumento, ma anche “cerca di imparare a comprendere le descrizioni di ciascuno di questi cento strumenti diversi, in modo che quando vede il 101° strumento, è più veloce nell’apprendere a utilizzarlo”.

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 uno studente di dottorato nel gruppo di Majumdar e autore principale della ricerca.

“Con l’addestramento linguistico, impara a impugnare il crowbar all’estremità lunga e a utilizzare la superficie curva per limitare meglio il movimento della bottiglia”, ha detto Ren. “Senza il linguaggio, ha impugnato il crowbar vicino alla superficie curva e era più difficile da controllare”.

“L’obiettivo generale è quello di far sì che i sistemi robotici – in particolare quelli addestrati con l’apprendimento automatico – si generalizzino a nuovi ambienti”, ha aggiunto Majumdar.