Mens-gestuurde AI-raamwerk belooft snellere robotleren in nieuwe omgevingen

In de toekomstige tijd van slimme huizen, zal het verkrijgen van een robot om huishoudelijke taken te vereenvoudigen geen zeldzaamheid zijn. Niettemin kan frustratie intreden wanneer deze geautomatiseerde helpers falen om eenvoudige taken uit te voeren. Komt Andi Peng, een onderzoeker van de afdeling Elektrotechniek en Informatica van MIT, die, samen met haar team, een pad baant om de leercurve van robots te verbeteren.

Peng en haar interdisciplinaire team van onderzoekers hebben een mens-robot interactief raamwerk ontwikkeld. Het hoogtepunt van dit systeem is zijn vermogen om counterfactual narratives te genereren die de veranderingen aangeven die nodig zijn voor de robot om een taak succesvol uit te voeren.

Om dit te verduidelijken, wanneer een robot moeite heeft om een vreemd geverfd kopje te herkennen, biedt het systeem alternatieve situaties waarin de robot zou zijn geslaagd, misschien als het kopje een meer voorkomende kleur had. Deze counterfactual verklaringen, gecombineerd met menselijke feedback, versnellen het proces van het genereren van nieuwe gegevens voor het fijnafstellen van de robot.

Peng legt uit, “Fijnafstellen is het proces van optimaliseren van een bestaand machine learning-model dat al bedreven is in een taak, om het in staat te stellen een tweede, analoge taak uit te voeren.”

Een sprong in efficiëntie en prestaties

Toen het systeem werd getest, toonde het indrukwekkende resultaten. Robots die met deze methode waren getraind, toonden snelle leerprestaties, terwijl ze de tijdsinvestering van hun menselijke leraren verminderden. Als dit innovatieve raamwerk met succes op grote schaal wordt geïmplementeerd, kan het robots helpen om zich snel aan te passen aan nieuwe omgevingen, waardoor de behoefte voor gebruikers om geavanceerde technische kennis te hebben, wordt geminimaliseerd. Deze technologie kan de sleutel zijn om algemene doelstellingen voor robots te ontgrendelen die in staat zijn om efficiënt te helpen bij ouderen of gehandicapten.

Peng gelooft, “Het einddoel is om een robot in staat te stellen om te leren en te functioneren op een menselijk abstract niveau.”

Revolutionaire robottraining

Het primaire obstakel in robotleren is de ‘verdelingsverschuiving’, een term die wordt gebruikt om een situatie te beschrijven waarin een robot objecten of ruimtes tegenkomt die het niet heeft ontmoet tijdens zijn trainingsperiode. De onderzoekers hebben, om dit probleem aan te pakken, een methode genaamd ‘imitatieleren’ geïmplementeerd. Maar deze had zijn beperkingen.

“Stel je voor dat je 30.000 kopjes moet demonstreren voor een robot om elk kopje op te pakken. In plaats daarvan geef ik de voorkeur aan het demonstreren met slechts één kopje en de robot leren om te begrijpen dat het elk kopje van elke kleur kan oppakken”, zegt Peng.

Als reactie hierop identificeert het systeem van het team welke attributen van het object essentieel zijn voor de taak (zoals de vorm van een kopje) en welke niet (zoals de kleur van het kopje). Gewapend met deze informatie, genereert het synthetische gegevens, waarbij de “niet-essentiële” visuele elementen worden gewijzigd, waardoor het leerproces van de robot wordt geoptimaliseerd.

Verbinding maken tussen menselijke redenering en robotlogica

Om de effectiviteit van dit raamwerk te meten, hebben de onderzoekers een test uitgevoerd met menselijke gebruikers. De deelnemers werden gevraagd of de counterfactual verklaringen van het systeem hun begrip van de taakprestaties van de robot verbeterden.

Peng zegt, “We vonden dat mensen van nature bedreven zijn in deze vorm van counterfactual redenering. Het is dit counterfactual element dat ons in staat stelt om menselijke redenering naadloos om te zetten in robotlogica.”

In het verloop van meerdere simulaties leerde de robot consequent sneller met hun benadering, waardoor het andere technieken overtrof en minder demonstraties van gebruikers nodig had.

Als we vooruitkijken, zijn de plannen van het team om dit raamwerk op echte robots te implementeren en te werken aan het verkorten van de datageneratietijd via generatieve machine learning-modellen. Deze doorbraakbenadering heeft het potentieel om de robotlerencurve te transformeren, waardoor een toekomst mogelijk wordt waarin robots harmonieus samenleven in ons dagelijks leven.