Inlärningsmetod gör att robotar kan lära sig genom att titta på människor

En ny inlärningsmetod som har utvecklats av forskare vid Carnegie Mellon University (CMU) gör det möjligt för robotar att direkt lära sig från videor av mänsklig interaktion och generalisera informationen till nya uppgifter, vilket hjälper dem att lära sig hur man utför hushållssysslor. Inlärningsmetoden kallas WHIRL, som står för In-the-wild Human Imitating Robot Learning, och den hjälper roboten att observera uppgifterna och samla in videoinformation för att till slut lära sig att utföra jobbet själv.

Forskningen presenterades på Robotics: Science and Systems-konferensen i New York.

Imitation som en metod för att lära

Shikhar Bahl är en doktorand vid Robotics Institute (RI) vid Carnegie Mellons universitets skola för datavetenskap.

“Imitation är ett utmärkt sätt att lära”, sa Bahl. “Att ha robotar som faktiskt lär sig direkt genom att titta på människor är fortfarande ett olöst problem inom området, men detta arbete tar ett betydande steg mot att möjliggöra den förmågan.”

Bahl arbetade tillsammans med Deepak Pathak och Abhinav Gupta, som båda är lärare vid RI. Teamet lade till en kamera och sin programvara till en standardrobot som lärde sig att utföra över 20 uppgifter. Dessa uppgifter inkluderade allt från att öppna och stänga apparater till att ta ut en sopbag från soptunnan. Varje gång roboten tittade på en människa som utförde uppgifterna innan den försökte själv.

Pathak är biträdande professor vid RI.

“Detta arbete presenterar ett sätt att ta in robotar i hemmet”, sa Pathak. “I stället för att vänta på att robotar ska programmeras eller tränas för att lyckas med olika uppgifter innan de distribueras till människors hem, möjliggör denna teknik att distribuera robotarna och låta dem lära sig att utföra uppgifter, samtidigt som de anpassar sig till sin omgivning och förbättrar sig enbart genom att titta.”

WHIRL vs. nuvarande metoder

De flesta nuvarande metoder för att lära en robot en uppgift bygger på imitation eller förstärkt inlärning. Med imitationinlärning opererar människor manuellt en robot och lär den att utföra en uppgift, vilket kräver att det utförs flera gånger innan roboten lär sig. Med förstärkt inlärning tränas roboten vanligtvis på miljontals exempel i simulering innan utbildningen anpassas till den riktiga världen.

Båda dessa modeller är effektiva för att lära en robot en enskild uppgift i en strukturerad miljö, men de visar sig vara svåra att skala och distribuera. Men med WHIRL kan en robot lära sig från vilken video som helst av en människa som utför en uppgift. Det är också lätt att skala, inte begränsat till en specifik uppgift och kan fungera i hemmiljöer.

WHIRL möjliggör för robotar att utföra uppgifter i sina naturliga miljöer. Och medan de första försöken vanligtvis slutade i misslyckande, kunde den lära sig mycket snabbt efter bara några framgångar. Roboten utför inte alltid uppgiften med samma rörelser som en människa, men det beror på att den har olika delar som rör sig på olika sätt. Med det sagt är slutresultatet av att utföra uppgifterna alltid detsamma.

“För att skala robotik i det vilda måste data vara tillförlitliga och stabila, och robotarna bör bli bättre i sin omgivning genom att öva på egen hand”, sa Pathak.