Am învățat roboții să se miște. Acum îi învățăm să trăiască

Robotică modernă a ajuns la un punct în care mișcarea nu mai este principala provocare – mașinile pot deja naviga, apuca și opera în spațiu cu o precizie impresionantă. Însă permisă lor să “trăiască” și să funcționeze în lumea reală rămâne o problemă nerezolvată.

În acest proces, rolul cheie îl joacă ceea ce ar putea fi numit “măduva spinării”: sistemul responsabil pentru reacții de bază, comportament și interacțiune cu mediul.

Când privim evoluția roboților prin această prismă, devine clar că această secvență de etape – în care sistemul învață ceva nou la fiecare pas, de la mișcarea simplă la acțiuni complexe, conștiente de context – seamănă izbitor cu dezvoltarea umană.

Și este exact în această evoluție – de la “hardware” gol la comportament semnificativ – că are loc principala schimbare în inteligența artificială fizică de astăzi. Interesant de învățat mai profund.

Fundamentul roboticii: o etapă rar discutată

Ce este un robot în termeni practici? Este un dispozitiv fizic creat inițial ca o platformă universală. În esență, este un “gol” care trebuie apoi adaptat pentru sarcini specifice, instruit să opereze într-un mediu dat și învățat să efectueze acțiunile necesare.

Dacă mergem dincolo de scenariile de zi cu zi și considerăm aplicații realiste din viitorul apropiat, devine clar că adoptarea deplină a roboților va avea loc în principal în medii industriale și potențial periculoase. Acest lucru implică, la rândul său, cerințe semnificativ mai mari pentru comportamentul, robustețea și calitatea instruirii lor.

Procesul începe cu cel mai elementar pas – construirea dispozitivului însuși. Un robot este asamblat din multiple componente, incluzând actuatori, motoare, senzori, camere, LiDAR. Poate fi humanoid, cu rotile, bipedal sau cvadrupedal – factorul de formă este secundar. Ceea ce contează este că, la această etapă, ajungem la un dispozitiv funcțional, dar încă “gol”.

Următoarea etapă este instalarea unui model de bază care servește ca fundament pentru comportamentul său. Într-un sens larg, “modelul” este întregul strat funcțional de control. Este responsabil pentru capacitățile de bază: menținerea echilibrului, stând și mișcând, navigând de la punctul A la punctul B, evitând obstacole, fără a deteriora mediul și interacționând în siguranță cu oamenii.

Acesta este punctul în care învățarea prin întărire intră în joc. În astfel de sisteme, se rulează miliarde de simulări. Adesea vedem videoclipuri cu roboți “învățând” în medii complexe: majoritatea cad, pierd echilibrul sau nu reușesc să finalizeze sarcina. Dar cei care reușesc să rămână în picioare și să continue să se miște sunt cei care progresează.

Acesta este esența învățării prin întărire: selectarea comportamentului de succes. Algoritmii celor care “supraviețuiesc” devin baza pentru iterațiile următoare. Ca rezultat, după un număr enorm de rulări, apare un model care poate gestiona cu încredere obstacolele. Acest algoritm este apoi transferat dispozitivului fizic.

Este o etapă fundamentată, dar critică – adesea implicând puțin sau deloc viziunea calculatorului, care nu este necesară la acest punct. Ceea ce avem de-a face aici este fizica și mecanica de bază care trebuie încorporate în sistem de la început.

Cum încep roboții să “simtă” lumea

Deci, avem deja “hardware”-ul – un robot cu un model de bază instalat: poate sta, merge și menține echilibrul. Dar este suficient acest lucru pentru sarcinile din lumea reală, de exemplu, în medii industriale? În mod evident, nu.

Următoarea etapă începe aici. Integrăm senzori și instruim modelul să acționeze pe baza intrărilor senzorilor. Un nou strat de abilități de bază emerge – deja mult mai complex decât simpla mișcare.

O analogie cu dezvoltarea umană este utilă aici. La prima etapă, am adus sistemul la nivelul unui copil de un an: poate sta, face primii pași și menține echilibrul fără a cădea. Următoarea etapă este mai în linie cu nivelul unui copil de opt ani.

La această vârstă, un copil utilizează activ “senzorii” săi: poate percepe riscul și evalua consecințele acțiunilor sale. Înțelege să nu atingă ceva fierbinte sau să pună ceva foarte rece în gură. Poate urca pe o masă, conduce o bicicletă și interacționa cu obiecte. Este capabil să apuce, să transporte și să manipuleze obiecte și să efectueze acțiuni de îngrijire de bază.

Noi numim această etapă preantrenament. Și la acest punct, simulările singure nu mai sunt suficiente.

Da, anumite scenarii pot fi încă modelate eficient: cum să ridici un pahar, sau să înlocuiești o baterie, de exemplu, scoțând un component, punându-l la încărcat, luând altul și instalându-l înapoi.

Dar, în general, echilibrul se schimbă: aproximativ 80% din antrenament poate încă avea loc în simulare, în timp ce aproximativ 20% din date trebuie să provină din lumea reală. Și aici începem să discutăm despre date egocentrice.

Date egocentrice ca fundament al înțelegerii mediului

Astăzi, datele egocentrice sunt colectate la scară largă în întreaga lume – pentru că, fără ele, este imposibil să trecem de la mecanica de bază la interacțiunea semnificativă cu lumea reală. Un coleg de-al meu, care conduce o rețea de ateliere de reparații auto, are angajați care utilizează camere montate pe cap pentru a înregistra întregul proces de reparație a mașinilor. Un proprietar de clădire din New York a implementat o abordare similară: personalul de curățenie poartă camere montate pe frunte care capturează cum mențin spațiile curate și igienice.

În timp, aceste înregistrări devin un produs de sine stătător – sunt ambalate și vândute. Valoarea lor cheie constă în faptul că sunt potrivite pentru etapa de preantrenament, ajutând la construirea unei înțelegeri de bază a mediului și a secvențelor de acțiuni.

De exemplu, un astfel de serviciu a existat la Keymakr, unde echipa a creat independent colecții întregi de date egocentrice, de la scenarii simple, cum ar fi spălarea vaselor, la unele mai complexe.

De ce este atât de important? Pentru că astfel de date oferă ceva ce simularea pură nu poate – diversitatea mediilor din lumea reală. Birouri, ateliere de reparații auto, șantiere, restaurante, hoteluri – fiecare dintre acestea adaugă propriul context, scenarii și nuanțe. Împreună, ele formează un set de date care permite unui sistem nu doar să “vadă”, ci să înțeleagă treptat dinamica lumii reale.

La această etapă, scopul nu mai este să înveți un robot să execute perfect o anumită acțiune. Ceea ce contează mai mult este să îi permită să se orienteze în jurul său, în primul rând.

Astăzi, aproape toate companiile care lucrează în robotică – de la Tesla la Unitree Robotics și Figure AI – se concentrează pe această etapă exactă. Scopul lor este să construiască un model de bază a cărui capacități să semene mai întâi cu cele ale unui “copil de opt ani”, și apoi să progreseze către un “copil de doisprezece ani”. Acesta este și ceea ce ne concentrăm noi la Introspector – pregătirea datelor necesare pentru preantrenament, faza cea mai critică în “dezvoltarea” roboticii moderne.

Ultimul mil de antrenament: unde universalitatea se termină, și specializarea începe

Să ne imaginăm că un robot a terminat deja preantrenamentul și este fabricat din start cu o înțelegere de bază a lumii și un set de abilități comparabil cu cel al unui adolescent. Dar nici acesta nu este suficient pentru cazurile de utilizare din lumea reală a afacerilor. Companiile nu au nevoie doar de un robot “cu scop general” – au nevoie de un specialist.

Luați, de exemplu, producția auto. Unele sarcini sunt încă efectuate de oameni, deoarece necesită sensibilitate, precizie și control vizual continuu. Automatizarea tradițională se luptă aici. Manipulatorii industriali excelează la sarcini repetitive, rigide – “ia, mută, așează”. Dar sarcinile care necesită adaptabilitate, detectare a presiunii și ajustări în timp real rămân în domeniul uman.

Acesta este punctul în care apare o nouă cerință: antrenarea unui robot să efectueze o operațiune specifică exact ca un lucrător calificat. Cu alte cuvinte, după antrenamentul de bază vine următoarea etapă: antrenament pentru o profesie și un scenariu specific.

La acest punct, apare o întrebare practică: ce anume este necesar pentru acest nivel de antrenament? Dacă vrem ca un robot să reproducă performanța umană, trebuie să capturăm comportamentul uman cât mai precis posibil. De exemplu, specialistul de pe linia de producție ar trebui să poarte o cameră și, pe o perioadă extinsă, luni sau chiar un an, să înregistreze cum efectuează sarcina.

Ce necesită roboții pentru a “trăi” în lumea umană

O cameră singură nu este suficientă. Este necesar să capturăm nu doar perspectiva vizuală, ci și fizica mișcării. Acest lucru se realizează utilizând mănuși specializate cu senzori tactili care măsoară presiunea, forța aplicată și natura interacțiunii cu obiectele. Acest lucru este deosebit de important, deoarece obiectele însele pot varia semnificativ. De exemplu, benzi de etanșare pot diferi în rigiditate în funcție de modelul de mașină, ceea ce afectează direct modul în care se efectuează sarcina.

Următoarea etapă este urmărirea cinematică. Markeri – vizuali sau bazati pe senzori – sunt plasați pe încheieturi, coate și uneori umeri. Aceștia pot include, de exemplu, brățări cu markeri identificabili (similari codurilor QR) care permit sistemului să urmărească poziția mâinii în spațiu, din video. Senzori suplimentari, cum ar fi giroscopii, sunt utilizați pentru a captura mișcările articulațiilor.

Scopul final este să reconstruiască pe deplin mecanica mișcării: cum se mișcă umărul, cum se îndoaie cotul, cum se rotește încheietura. Toate acestea devin esențiale pentru următoarea etapă – post-antrenament.

Dacă, în timpul preantrenamentului, am putea încă să ne bazăm parțial pe simulare, la această etapă, nu mai funcționează. Acest “ultim mil” este aproape imposibil de modelat cu acuratețe. Nu puteți simula pe deplin, de exemplu, cum un bucătar întinde aluatul – forța aplicată, cum este distribuită presiunea, cum se simte materialul.

De aceea, în timpul post-antrenamentului, aproape toate datele trebuie să provină din lumea reală. Și aici devine clar: principala provocare se mută în domeniul practic – cum să obținem astfel de date în realitate. Colectarea datelor egocentrice la acest nivel este un proces complex, multi-etapă, care implică acces la medii, echipamente specializate, participarea lucrătorilor calificați și pregătirea ulterioară a datelor.

Dincolo de teorie, acesta este punctul în care roboții devin cu adevărat “viabili” – după ce reușim să organizăm acest proces, să depășim constrângerile cu care se confruntă echipele din diverse industrii și să annotăm astfel de seturi de date la scară. Acest lucru va fi acoperit în partea următoare, unde vom examina mai atent toate provocările care apar în timpul etichetării și pregătirii sale.