Metoda uczenia się umożliwia robotom naukę przez obserwację ludzi

Naukowcy z Carnegie Mellon University (CMU) opracowali nową metodę uczenia się, która umożliwia robotom bezpośrednie uczenie się z filmów przedstawiających interakcje ludzi i ogólnienie informacji do nowych zadań, co pomaga im nauczyć się wykonywać prace domowe. Metoda ta nazywa się WHIRL, co oznacza In-the-wild Human Imitating Robot Learning, i pomaga robotom obserwować zadania i gromadzić dane wideo, aby ostatecznie nauczyć się wykonywać zadania samodzielnie.

Badania zostały przedstawione na konferencji Robotics: Science and Systems w Nowym Jorku.

Imitacja jako sposób uczenia się

Shikhar Bahl jest doktorantem w Robotics Institute (RI) w School of Computer Science na Carnegie Mellon University.

„Imitacja jest świetnym sposobem uczenia się”, powiedział Bahl. „Posiadanie robotów, które naprawdę uczą się przez bezpośrednią obserwację ludzi, pozostaje nierozwiązanym problemem w tej dziedzinie, ale ta praca stanowi znaczący krok w umożliwieniu tej zdolności.”

Bahl pracował wraz z Deepak Pathak i Abhinav Gupta, którzy są również członkami wykładowymi w RI. Zespół dodał kamerę i oprogramowanie do robota dostępnego na rynku, który nauczył się wykonywać ponad 20 zadań. Zadania te obejmowały wszystko, od otwierania i zamykania urządzeń, po wyciąganie worka na śmieci z kosza. Za każdym razem, gdy robot obserwował człowieka wykonującego zadania, przed próbą wykonania ich samodzielnie.

Pathak jest asystentem profesora w RI.

„Ta praca prezentuje sposób wprowadzenia robotów do domu”, powiedział Pathak. „Zamiast czekać, aż roboty zostaną zaprogramowane lub przeszkolone, aby pomyślnie wykonać różne zadania przed ich wdrożeniem w domach ludzi, ta technologia pozwala nam wdrożyć roboty i nauczyć je wykonywać zadania, jednocześnie adaptując się do ich środowiska i poprawiając się wyłącznie przez obserwację.”

WHIRL vs. bieżące metody

Większość bieżących metod nauczania robota do zadania opiera się na imitacji lub uczeniu przez wzmocnienie. Z uczeniem przez imitację ludzie ręcznie operują robotem i uczą go, jak wykonać zadanie, co wymaga powtarzania kilka razy, zanim robot się nauczy. Z uczeniem przez wzmocnienie robot jest zwykle szkolony na milionach przykładów w symulacji, zanim dostosuje szkolenie do świata rzeczywistego.

Chociaż obie te metody są wydajne w nauczaniu robota do jednego zadania w środowisku strukturalnym, okazują się trudne do skalowania i wdrożenia. Ale z WHIRL robot może się uczyć z dowolnego filmu przedstawiającego człowieka wykonującego zadanie. Jest to również łatwo skalowalne, nieograniczone do jednego konkretnego zadania i może działać w środowiskach domowych.

WHIRL umożliwia robotom wykonywanie zadań w ich naturalnym środowisku. I chociaż pierwsze kilka prób zwykle kończyło się niepowodzeniem, robot mógł się bardzo szybko nauczyć po kilku sukcesach. Robot nie zawsze wykonuje zadanie takimi samymi ruchami jak człowiek, ale to dlatego, że ma różne części, które poruszają się inaczej. Mimo to efekt końcowy wykonywania zadań jest zawsze taki sam.

„Aby skalować robotykę w środowisku naturalnym, dane muszą być niezawodne i stabilne, a roboty powinny stawać się lepsze w swoim środowisku, ćwicząc samodzielnie”, powiedział Pathak.