Ludzki język przyspiesza naukę robotów

Zespół badaczy z Princeton odkrył, że opisy narzędzi w języku ludzkim mogą przyspieszyć naukę symulowanego ramienia robota, które może podnosić i używać różnych narzędzi.

Nowe badania potwierdzają ideę, że szkolenie sztucznej inteligencji może sprawić, że autonomiczne roboty będą bardziej adaptacyjne w nowych sytuacjach, co z kolei poprawia ich skuteczność i bezpieczeństwo.

Dodając opisy kształtu i funkcji narzędzia do procesu szkolenia robota, poprawiono zdolność robota do manipulowania nowymi narzędziami.

Metoda ATLA do szkolenia

Nowa metoda nazywa się Przyspieszona nauka manipulacji narzędziami z językiem, czyli ATLA.

Anirudha Majumdar jest adiunktem na wydziale inżynierii mechanicznej i lotniczej w Princeton oraz kierownikiem laboratorium ruchu robota.

„Dodatkowe informacje w postaci języka mogą pomóc robotowi nauczyć się używać narzędzi szybciej”, powiedział Majumdar.

Zespół zapytał model językowy GPT-3, aby uzyskać opisy narzędzi. Po wypróbowaniu różnych wskazówek zdecydowali się użyć „Opisz [cechę] [narzędzia] w sposób szczegółowy i naukowy”, gdzie cechą było kształt lub przeznaczenie narzędzia.

Karthik Narasimhan jest adiunktem na wydziale informatyki i współautorem badania. Narasimhan jest również członkiem grupy przetwarzania języka naturalnego w Princeton i wniósł wkład w oryginalny model językowy GPT jako visiting research scientist w OpenAI.

„Ponieważ te modele językowe zostały przeszkolone na danych z Internetu, można je traktować jako sposób na uzyskanie tej informacji w sposób bardziej wydajny i kompleksowy niż korzystanie z crowdsourcingu lub pobierania opisów narzędzi z konkretnych stron internetowych”, powiedział Narasimhan.

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

Symulowane eksperymenty nauki robota

Zespół wybrał zestaw 27 narzędzi do symulowanych eksperymentów nauki robota, w tym topór i szmatkę. Ramię robota otrzymało cztery różne zadania: pchanie narzędzia, podnoszenie narzędzia, używanie go do przesuwania cylindra po stole lub wbijania gwoździa w otwór.

Zespół opracował zestaw strategii, korzystając z podejść szkoleniowych z użyciem języka i bez niego. Porównano wyniki tych strategii na oddzielnym teście dziewięciu narzędzi z opisami.

Podejście to, zwane meta-nauką, poprawia zdolność robota do nauki z każdym kolejnym zadaniem.

Zdaniem Narasimhana, robot nie tylko uczy się używać każdego narzędzia, ale także „próbuje zrozumieć opisy każdego z tych stu różnych narzędzi, więc gdy zobaczy 101. narzędzie, uczy się go używać szybciej”.

W większości eksperymentów informacje językowe przyniosły znaczne korzyści dla zdolności robota do używania nowych narzędzi.

Allen Z. Ren jest doktorantem w grupie Majumdar i głównym autorem pracy badawczej.

„Z szkoleniem językowym, uczy się chwytać na długim końcu szpadla i używać zakrzywionej powierzchni, aby lepiej ograniczyć ruch butelki”, powiedział Ren. „Bez języka, chwytał szpadel blisko zakrzywionej powierzchni i było trudniej go kontrolować”.

„Ogólnym celem jest uzyskanie systemów robota, które mogą generalizować do nowych środowisk, szczególnie tych, które są szkolone z użyciem uczenia maszynowego”, dodał Majumdar.