Nye AI-systemer transformerer robottilpasning til virkelige verdener

Robotikkfeltet har lenge kjempet med en betydelig utfordring: å trene roboter til å fungere effektivt i dynamiske, virkelige miljøer. Mens roboter utmerker seg i strukturerte omgivelser som monteringslinjer, har det vist seg å være en formidabel oppgave å lære dem å navigere i den uforutsigbare naturen til hjem og offentlige rom. Hovedhinderet? En mangel på mangfoldige, virkelige data som trengs for å trene disse maskinene.

I en ny utvikling fra University of Washington, har forskere avdekket to innovative AI-systemer som potensielt kan transformere hvordan roboter blir trenet for komplekse, virkelige scenarier. Disse systemene utnytter kraften fra video- og fotodata for å skape realistiske simuleringer for robottrening.

RialTo: Opprettelse av digitale tvillinger for robottrening

Det første systemet, kalt RialTo, introduserer en ny tilnærming til å opprette treningsmiljøer for roboter. RialTo lar brukerne generere en “digital tvilling” – en virtuell kopi av en fysisk rom – ved hjelp av bare en smarttelefon.

Dr. Abhishek Gupta, en assistentprofessor ved University of Washingtons Paul G. Allen School of Computer Science & Engineering og med-seniorforfatter av studien, forklarer prosessen: “En bruker kan raskt skanne en rom med en smarttelefon for å registrere dens geometri. RialTo oppretter deretter en ‘digital tvilling’-simulering av rommet.”

Denne digitale tvillingen er ikke bare en statisk 3D-modell. Brukere kan interagere med simuleringen, definere hvordan forskjellige objekter i rommet fungerer. For eksempel kan de demonstrere hvordan skuffer åpnes eller hvordan apparater opererer. Denne interaktiviteten er avgjørende for robottrening.

Når den digitale tvillingen er opprettet, kan en virtuell robot gjenta oppgaver i denne simuleringsmiljøet. Gjennom en prosess kalt forsterkingslæring, lærer roboten å utføre oppgaver effektivt, selv om det er potensielle forstyrrelser eller endringer i miljøet.

Skjønnheten i RialTo ligger i dens evne til å overføre denne virtuelle læringen til den fysiske verden. Gupta bemerker: “Roboten kan deretter overføre denne læringen til den fysiske omgivelsen, der den er nesten like nøyaktig som en robot som er trenet i det virkelige kjøkkenet.”

URDFormer: Generering av simuleringer fra internettbilder

Mens RialTo fokuserer på å opprette svært nøyaktige simuleringer av bestemte miljøer, tar det andre systemet, URDFormer, en bredere tilnærming. URDFormer har som mål å generere en stor mengde generiske simuleringer raskt og kostnadseffektivt.

Zoey Chen, en doktorgradsstudent ved University of Washington og hovedforfatter av URDFormer-studien, beskriver systemets unike tilnærming: “URDFormer skanner bilder fra internettet og parer dem med eksisterende modeller for hvordan, for eksempel, kjøkken-skuffer og skap vil bevege seg. Den forutsier deretter en simulering fra det opprinnelige virkelige bildet.”

Denne metoden lar forskerne raskt generere hundrevis av forskjellige simuleringsmiljøer. Selv om disse simuleringene kanskje ikke er like nøyaktige som de som er opprettet av RialTo, tilbyr de en avgjørende fordel: skala. Evnen til å trene roboter over en bred rekke scenarier kan betydelig forbedre deres tilpasning til forskjellige virkelige situasjoner.

Chen understreker viktigheten av denne tilnærmingen, spesielt for hjemmemiljøer: “Hjem er unike og konstant endrer seg. Det er en mangfoldighet av objekter, oppgaver, gulvplaner og mennesker som beveger seg gjennom dem. Dette er der AI blir virkelig nyttig for robotikkutviklere.”

Ved å utnytte internettbilder for å opprette disse simuleringene, reduserer URDFormer dramatisk kostnadene og tiden som trengs for å generere treningsmiljøer. Dette kan potensielt akselerere utviklingen av roboter som kan fungere i forskjellige, virkelige omgivelser.

Demokratisering av robottrening

Innføringen av RialTo og URDFormer representerer et betydelig sprang mot å demokratisere robottrening. Disse systemene har potensialet til å dramatisk redusere kostnadene forbundet med å forberede roboter for virkelige miljøer, og gjøre teknologien mer tilgjengelig for forskere, utviklere og potensielt også sluttbrukere.

Dr. Gupta understreker demokratiseringspotensialet for denne teknologien: “Hvis du kan få en robot til å fungere i ditt hjem bare ved å skanne det med din telefon, demokratiserer det teknologien.” Denne tilgjengeligheten kan akselerere utviklingen og innføringen av hjemmerobotikk, og bringe oss nærmere en fremtid hvor hjemmerobotene er like vanlige som smarttelefoner.

Konsekvensene for hjemmerobotikk er spesielt spennende. Ettersom hjem representerer en av de mest utfordrende miljøene for roboter på grunn av deres mangfoldige og endrende natur, kan disse nye treningsmetodene være en game-changer. Ved å enable roboter til å lære og tilpasse seg individuelle hjemmalayouter og rutiner, kan vi se en ny generasjon av virkelig nyttige hjemmeassistenter som kan utføre en rekke oppgaver.

Komplementære tilnærminger: For-trening og spesifikk utplassering

Mens RialTo og URDFormer nærmer seg utfordringen med robottrening fra forskjellige vinkler, er de ikke gjensidig exclusive. Faktisk kan disse systemene fungere sammen for å gi en mer komprehensiv treningsregime for roboter.

“De to tilnærmingene kan komplementere hverandre,” forklarer Dr. Gupta. “URDFormer er virkelig nyttig for for-trening på hundrevis av scenarier. RialTo er spesielt nyttig hvis du allerede har for-trent en robot, og nå ønsker å utplassere den i noenones hjem og ha den være maybe 95% suksessfull.”

Denne komplementære tilnærmingen tillater en to-trinns treningsprosess. Først kan roboter bli utsatt for en bred rekke scenarier ved hjelp av URDFormers raskt genererte simuleringer. Denne brede eksponeringen hjelper roboter å utvikle en generell forståelse av forskjellige miljøer og oppgaver. Deretter, for spesifikke utplasseringer, kan RialTo brukes til å opprette en svært nøyaktig simulering av det eksakte miljøet hvor roboten vil operere, og tillate finjustering av dens ferdigheter.

Ved å se fremover, utforsker forskere måter å ytterligere forbedre disse treningsmetodene. Dr. Gupta nevner fremtidige forskningsretninger: “I fremtiden ønsker RialTo-teamet å utplassere sitt system i folks hjem (det er hovedsakelig testet i et laboratorium).” Dette virkelige testingen vil være avgjørende for å finjustere systemet og sikre dets effektivitet i forskjellige hjemmemiljøer.

Utfordringer og fremtidige prospekter

Til tross for de lovende fremsteg, finnes det fortsatt utfordringer i feltet robottrening. En av de viktigste utfordringene forskerne kjemper med er hvordan man effektivt kan kombinere virkelige og simuleringsdata.

Dr. Gupta erkjenner denne utfordringen: “Vi må fortsatt finne ut hvordan vi best kan kombinere data samlet direkte i den virkelige verden, som er dyrt, med data samlet i simuleringer, som er billig, men litt feil.” Målet er å finne den optimale balansen som utnytter kostnadseffektiviteten til simuleringer samtidig som den opprettholder nøyaktigheten som tilbys av virkelige data.

Potensialet for påvirkning på robotikkindustrien er betydelig. Disse nye treningsmetodene kan akselerere utviklingen av mer kapable og tilpasningsdyktige roboter, potensielt ledende til gjennombrudd i felt som hjemmeassistans, helse og andre områder.

Videre, når disse treningsmetodene blir mer raffinerte og tilgjengelige, kan vi se en endring i robotikkindustrien. Mindre selskaper og selv enkeltpersoner kan ha verktøyene til å trene sofistikerte roboter, potensielt ledende til en boom i innovative robotapplikasjoner.

Fremtidige prospekter er spennende, med potensielle applikasjoner som strekker seg langt utenfor nåværende bruksområder. Ettersom roboter blir mer dyktige i å navigere og interagere med virkelige miljøer, kan vi se dem ta på seg stadig mer komplekse oppgaver i hjem, kontorer, sykehus og offentlige rom.