Leerwijze maakt het mogelijk voor robots om te leren door naar mensen te kijken

Een nieuwe leerwijze, ontwikkeld door onderzoekers aan de Carnegie Mellon University (CMU), maakt het mogelijk voor robots om rechtstreeks te leren van video’s van menselijke interacties en deze informatie te generaliseren naar nieuwe taken, waardoor ze leren hoe ze huishoudelijke taken kunnen uitvoeren. De leerwijze heet WHIRL, wat staat voor In-the-wild Human Imitating Robot Learning, en helpt de robot om de taken te observeren en de videodata te verzamelen om uiteindelijk te leren hoe de taak zelf te voltooien.

Het onderzoek werd gepresenteerd op de Robotics: Science and Systems-conferentie in New York.

Imitatie als een manier om te leren

Shikhar Bahl is een Ph.D.-student aan het Robotics Institute (RI) van de School of Computer Science van de Carnegie Mellon University.

“Imitatie is een geweldige manier om te leren,” zei Bahl. “Het feit dat robots daadwerkelijk leren van het direct observeren van mensen, blijft een onopgelost probleem in het veld, maar dit werk zet een significante stap in het mogelijk maken van die capaciteit.”

Bahl werkte samen met Deepak Pathak en Abhinav Gupta, beiden zijn ook faculteitsleden van de RI. Het team voegde een camera en hun software toe aan een standaardrobot die leerde om meer dan 20 taken uit te voeren. Deze taken omvatten alles, van het openen en sluiten van apparaten tot het verwijderen van een vuilniszak uit de vuilnisbak. Elke keer dat de robot zag hoe een mens de taken uitvoerde, probeerde hij het zelf.

Pathak is een assistent-professor in de RI.

“Dit werk presenteert een manier om robots in het huis te brengen,” zei Pathak. “In plaats van te wachten tot robots geprogrammeerd of getraind zijn om taken met succes uit te voeren voordat ze in de huizen van mensen worden geïmplementeerd, maakt deze technologie het mogelijk om de robots te implementeren en te laten leren hoe taken uit te voeren, terwijl ze zich aanpassen aan hun omgeving en verbeteren door alleen maar te kijken.”

WHIRL vs. huidige methoden

De meeste huidige methoden voor het leren van een robot een taak zijn afhankelijk van imitatie of versterking. Met imitatie leren mensen een robot een taak door het handmatig te bedienen en te leren hoe de taak moet worden uitgevoerd, wat meerdere keren moet worden herhaald voordat de robot leert. Met versterking wordt de robot meestal getraind op miljoenen voorbeelden in een simulatie voordat de training wordt aangepast aan de echte wereld.

Hoewel beide modellen efficiënt zijn in het leren van een robot een enkele taak in een gestructureerde omgeving, blijken ze moeilijk te schalen en te implementeren. Maar met WHIRL kan een robot leren van elke video van een mens die een taak uitvoert. Het is ook gemakkelijk schaalbaar, niet beperkt tot één specifieke taak en kan werken in thuissituaties.

WHIRL maakt het mogelijk voor robots om taken uit te voeren in hun natuurlijke omgeving. En hoewel de eerste paar pogingen meestal eindigden in mislukking, kon het snel leren na slechts een paar successen. De robot voert de taak niet altijd uit met dezelfde bewegingen als een mens, maar dat komt omdat het andere onderdelen heeft die anders bewegen. Met dat gezegd, het eindresultaat van het uitvoeren van de taken is altijd hetzelfde.

“Om robotica in het wild te schalen, moet de data betrouwbaar en stabiel zijn, en de robots moeten beter worden in hun omgeving door zelf te oefenen,” zei Pathak.