FLEX îi învață pe roboți să generalizeze pe baza corecțiilor oamenilor

Cercetători de la MIT și New York University au dezvoltat FLEX, un sistem care folosește corecții conversaționale pentru a revizui caracteristicile mediului care ghidează mișcările unui robot. MIT a anunțat cercetarea pe 9 noiembrie 2026, înainte de prezentarea acesteia la Conference on Robot Learning, în noiembrie 2026.

FLEX abordează o problemă frecventă în robotică ghidată de limbaj: dacă îi spui unui robot care transportă cafea să nu verse cafeaua pe un laptop, acesta poate adăuga obiectul pe lista obstacolelor fără să înțeleagă de ce este important. Sistemul deduce o preferință mai generală pentru evitarea dispozitivelor electronice, astfel încât brațul simulat își ajustează traseul pentru a ocoli atât laptopul, cât și un telefon aflat în apropiere, fără a fi nevoie de o instrucțiune separată, specifică telefonului.

Modificarea caracteristicilor urmărite de robot

Articolul numește FLEX Flexible Feature Editing Pipeline. Sistemul separă specificarea caracteristicilor de optimizarea recompensei: corecțiile formulate în limbaj identifică proprietățile măsurabile ale unei scene care contează, în timp ce demonstrațiile stabilesc cât de mult ar trebui să influențeze aceste proprietăți traiectoria. Această separare vizează reprezentările incomplete, supraspecificate cu caracteristici irelevante sau abstractizate la un nivel nepotrivit.

Fiecare corecție trece prin etapele ADD, GENERALIZE și MASK. ADD verifică dacă respectivele caracteristici existente explică corecția; dacă nu, un model lingvistic propune o caracteristică lipsă și generează cod pentru a o calcula. GENERALIZE înlocuiește o caracteristică prea specifică cu una legată de intenția dedusă. În exemplul MIT cu bila de bowling, o constrângere specifică unei căni devine o regulă de evitare a obiectelor fragile. MASK elimină caracteristicile care nu mai sunt relevante.

Rularea etapei MASK la final înseamnă că deciziile privind relevanța se aplică caracteristicilor după orice generalizare. În experimente s-a folosit GPT-4o, iar MIT raportează că întreaga interacțiune în trei etape durează aproximativ cinci secunde.

Andreea Bobu, care a condus studiul și coordonează Collaborative Learning and Autonomy Research Lab de la MIT, a explicat legătura dintre acest design și utilizarea în gospodării: „Fiecare locuință este diferită și fiecăruia îi pasă de lucruri diferite, așa că niciun robot nu știe din start ce contează pentru tine. Ce mă entuziasmează la FLEX este că poate înțelege asta dintr-o propoziție sau două, în loc să-ți ceară să formulezi fiecare regulă — iar aceasta este diferența dintre un robot pe care oamenii îl tolerează și unul pe care chiar și-l doresc în casă.”

Rezultatele simulărilor și evaluările participanților

Cercetătorii au testat FLEX în grile de navigare de 9 × 9 și în sarcini simulate la masă cu robotul Franka, cu șapte grade de libertate, care implicau cafea, o lumânare aprinsă și o bilă de bowling. Scenariile cu brațul robotic au folosit secvențe de corecție în cinci etape, modificând aranjamentul obiectelor între etape, astfel încât o caracteristică utilă anterior să poată deveni irelevantă sau să iasă la iveală o nepotrivire ascunsă.

Comparațiile au inclus ALGAE, care folosește doar ADD, Mask-From-Exhaustive (MFE), care folosește doar MASK, și o metodă de referință fără îndrumare în etape, care îi cere modelului lingvistic să furnizeze, într-o singură interogare, un set complet actualizat de caracteristici. Metrica recompensei normalizate atribuie valoarea 1 comportamentului optim și valoarea 0 traiectoriei în cel mai nefavorabil caz.

Articolul raportează că FLEX a obținut cea mai mare recompensă medie normalizată în toate cele șapte scenarii de navigare. În scenariul care necesita toate cele trei operații, media FLEX a fost de 0,99, comparativ cu 0,69 pentru ALGAE, 0,83 pentru MFE și 0,78 pentru metoda de referință fără îndrumare în etape.

În simulările secvențiale cu brațul robotic, autorii raportează că FLEX a învățat, în general, recompensa-țintă după una sau două corecții și și-a menținut performanța în configurațiile anterioare și ulterioare. Metodele de comparație au avut nevoie de mai multe corecții, iar performanța lor s-a deteriorat pe măsură ce se acumulau caracteristici irelevante sau reprezentările lor se supraadaptau la etape individuale.

Un studiu separat, desfășurat în persoană, a inclus 12 participanți, fiecare furnizând corecții tastate în cadrul a trei blocuri de câte cinci etape, folosind FLEX, ALGAE și MFE. Cercetătorii raportează că FLEX a obținut cel mai mare rating mediu la toate cele cinci dimensiuni evaluate prin chestionar. Pentru înțelegerea intenției, pe o scară de la unu la șapte, mediile au fost de 6,3 pentru FLEX, 5,0 pentru ALGAE și 4,5 pentru MFE. Diferențele dintre FLEX și ambele metode de referință au fost semnificative statistic după ajustarea pentru comparații multiple. Diferențele privind ușurința în utilizare și nivelul de colaborare nu au fost semnificative statistic.

Limitele dovezilor și stadiul dezvoltării

Studiul cu participanți nu a fost desfășurat în buclă închisă pe un robot fizic. Participanții au urmărit traiectorii simulate, deoarece unele metode de referință produceau mișcări neregulate ale brațului robotic; separat, echipa a combinat corecțiile acestora cu demonstrații ale experților, colectate cu un robot Franka fizic, pentru învățarea offline. Autorii descriu experimentele cu hardware-ul drept o verificare a fezabilității, menită să susțină studiul prin simulare.

În prezent, FLEX se limitează la manipularea cvasi-statică a obiectelor rigide ale căror proprietăți relevante pot fi exprimate în limbaj; sarcinile dinamice și obiectele deformabile pot necesita modalități suplimentare. Autorii spun că bunul-simț al modelelor lingvistice poate ține cont de preferințe larg împărtășite, dar poate da greș în cazul celor personale sau contraintuitive. O solicitare de a păstra o distanță și mai mare față de un laptop exprimă, de asemenea, intensitatea preferinței, pe care formularea actuală nu o surprinde.

Pagina proiectului autorilor este încă marcată drept o lucrare în curs de desfășurare, iar codul și setul de date sunt indicate ca fiind disponibile în curând.

În cazul roboților casnici și al roboților de asistență, mai puține corecții sunt utile doar dacă preferința dedusă corespunde lucrurilor care contează cu adevărat pentru utilizator. Întrebarea centrală, încă deschisă, este dacă generalizările modelelor lingvistice pot ține cont de preferințele individuale atipice cu aceeași consecvență în timpul operării în buclă închisă a roboților fizici.