Limbajul Uman Accelerază Învățarea Robotică

O echipă de cercetători de la Princeton a descoperit că descrierile lingvistice ale uneltelor pot accelera învățarea unui braț robotic simulat care poate ridica și utiliza diverse unelte.

Noile cercetări susțin ideea că antrenamentul cu inteligență artificială poate face roboții autonomi mai adaptați în situații noi, ceea ce, la rândul său, îmbunătățește eficacitatea și siguranța lor.

Prin adăugarea descrierilor formei și funcției uneltei la procesul de antrenament al robotului, s-a îmbunătățit capacitatea robotului de a manipula unelte noi.

Metoda ATLA pentru Antrenament

Noua metodă se numește Învățare Accelerată a Manipulării Uneltelor cu Limbaj, sau ATLA.

Anirudha Majumdar este profesor asistent de inginerie mecanică și aerospațială la Princeton și șeful Laboratorului de Mișcare Robotică Inteligentă.

„Informațiile suplimentare sub formă de limbaj pot ajuta un robot să învețe să utilizeze uneltele mai rapid,” a spus Majumdar.

Echipa a consultat modelul de limbaj GPT-3 pentru a obține descrieri ale uneltelor. După ce au încercat diverse prompturi, au decis să utilizeze „Descrie [caracteristica] a [uneltei] într-un răspuns științific și detaliat,” caracteristica fiind forma sau scopul uneltei.

Karthik Narasimhan este profesor asistent de științe computaționale și coautor al studiului. Narasimhan este, de asemenea, membru principal al grupului de procesare a limbajului natural de la Princeton și a contribuit la modelul de limbaj GPT original ca cercetător vizitator la OpenAI.

„Deoarece aceste modele de limbaj au fost antrenate pe internet, într-un anumit sens, puteți considera acest lucru ca o modalitate diferită de a obține informații mai eficient și mai cuprinzător decât utilizarea crowdsourcing-ului sau a unor site-uri web specifice pentru descrieri de unelte,” a spus Narasimhan.

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

Experimente de Învățare Robotică Simulată

Echipa a selectat un set de antrenament de 27 de unelte pentru experimentele de învățare robotică simulată, uneltele variind de la o secure la o mătură. Brațul robotic a primit patru sarcini diferite: a împins uneltele, a ridicat uneltele, a utilizat-o pentru a mătura un cilindru de-a lungul unei mese sau a bătut un cui într-o gaură.

Apoi, echipa a dezvoltat o suită de politici utilizând abordări de învățare automată cu și fără informații lingvistice. Performanțele politicilor au fost comparate pe un test separat de nouă unelte cu descrieri pereche.

Apropierea, numită meta-învățare, îmbunătățește capacitatea robotului de a învăța cu fiecare sarcină succesivă.

Conform lui Narasimhan, robotul nu numai că învață să utilizeze fiecare unealtă, dar „încearcă să învețe să înțeleagă descrierile fiecăreia dintre aceste sute de unelte, astfel încât, atunci când vede a 101-a unealtă, este mai rapid în a învăța să o utilizeze pe cea nouă.”

În majoritatea experimentelor, informațiile lingvistice au oferit avantaje semnificative pentru capacitatea robotului de a utiliza unelte noi.

Allen Z. Ren este student doctorand în grupul lui Majumdar și autor principal al lucrării de cercetare.

„Cu antrenamentul lingvistic, el învață să apuce de capătul lung al tijei și să utilizeze suprafața curbată pentru a constraint mișcarea sticlei mai bine,” a spus Ren. „Fără limbaj, a apucat tija lângă suprafața curbată și a fost mai greu de controlat.”

„Scopul general este de a face sistemele robotice — în special, cele antrenate utilizând învățarea automată — să generalizeze la medii noi,” a adăugat Majumdar.