Nya AI-system utvecklar robotanpassning till verkliga miljöer

Robotikens område har länge brottats med en betydande utmaning: att utbilda robotar att fungera effektivt i dynamiska, verkliga miljöer. Medan robotar utmärker sig i strukturerade miljöer som monteringslinjer, har det visat sig vara en formidabel uppgift att lära dem att navigera i den oförutsägbara naturen i hem och offentliga utrymmen. Det primära hindret? En brist på mångfaldig, verklig data som behövs för att utbilda dessa maskiner.

I en ny utveckling från University of Washington, har forskare presenterat två innovativa AI-system som potentiellt kan förändra hur robotar utbildas för komplexa, verkliga scenarier. Dessa system utnyttjar kraften från video- och fotodata för att skapa realistiska simuleringar för robotutbildning.

RialTo: Skapar digitala tvillingar för robotutbildning

Det första systemet, som heter RialTo, introducerar en ny metod för att skapa utbildningsmiljöer för robotar. RialTo tillåter användare att generera en “digital tvilling” – en virtuell kopia av en fysisk miljö – med hjälp av enbart en smartphone.

Dr. Abhishek Gupta, biträdande professor vid University of Washingtons Paul G. Allen School of Computer Science & Engineering och medförfattare till studien, förklarar processen: “En användare kan snabbt skanna en miljö med en smartphone för att spela in dess geometri. RialTo skapar sedan en ‘digital tvilling’-simulering av miljön.”

Denna digitala tvilling är inte bara en statisk 3D-modell. Användare kan interagera med simuleringen, definiera hur olika föremål i miljön fungerar. Till exempel kan de demonstrera hur lådor öppnas eller hur apparater fungerar. Denna interaktivitet är avgörande för robotutbildning.

När den digitala tvillingen är skapad, kan en virtuell robot upprepat öva uppgifter i denna simulerade miljö. Genom en process som kallas förstärkt inlärning, lär sig roboten att utföra uppgifter effektivt, även med hänsyn till potentiella störningar eller förändringar i miljön.

Skönheten i RialTo ligger i dess förmåga att överföra denna virtuella inlärning till den fysiska världen. Gupta påpekar: “Roboten kan sedan överföra den inlärningen till den fysiska miljön, där den är nästan lika exakt som en robot som utbildats i det riktiga köket.”

URDFormer: Genererar simuleringar från internetbilder

Medan RialTo fokuserar på att skapa mycket exakta simuleringar av specifika miljöer, tar det andra systemet, URDFormer, en bredare ansats. URDFormer syftar till att generera en stor mängd generiska simuleringar snabbt och kostnadseffektivt.

Zoey Chen, doktorand vid University of Washington och huvudförfattare till URDFormer-studien, beskriver systemets unika tillvägagångssätt: “URDFormer skannar bilder från internet och parar dem med befintliga modeller för hur, till exempel, kökslådor och skåp sannolikt kommer att röra sig. Det förutsäger sedan en simulering från den initiala verkliga bilden.”

Denna metod tillåter forskare att snabbt generera hundratals olika simulerade miljöer. Medan dessa simuleringar kanske inte är lika exakta som de som skapats av RialTo, erbjuder de en avgörande fördel: skala. Förmågan att utbilda robotar i en mängd olika scenarier kan avsevärt förbättra deras anpassningsförmåga till olika verkliga situationer.

Chen betonar vikten av denna ansats, särskilt för hemmiljöer: “Hem är unika och föränderliga. Det finns en mångfald av föremål, uppgifter, golvytor och människor som rör sig genom dem. Det är här AI blir riktigt användbart för robotforskare.”

Genom att utnyttja internetbilder för att skapa dessa simuleringar, minskar URDFormer dramatiskt den tid och kostnad som krävs för att generera utbildningsmiljöer. Detta kan potentiellt påskynda utvecklingen av robotar som kan fungera i olika verkliga miljöer.

Demokratisering av robotutbildning

Införandet av RialTo och URDFormer representerar ett betydande steg mot att demokratisera robotutbildning. Dessa system har potentialen att dramatiskt minska kostnaderna förknippade med att förbereda robotar för verkliga miljöer, vilket gör tekniken mer tillgänglig för forskare, utvecklare och potentiellt även slutanvändare.

Dr. Gupta betonar den demokratiserande potentialen hos denna teknologi: “Om du kan få en robot att fungera i ditt hem bara genom att skanna det med din telefon, det demokratiserar tekniken.” Denna tillgänglighet kan påskynda utvecklingen och antagandet av hemrobotik, och bringa oss närmare en framtid där hushållsrobotar är lika vanliga som smartphones.

Konsekvenserna för hemrobotik är särskilt spännande. Eftersom hem representerar en av de mest utmanande miljöerna för robotar på grund av deras mångfald och ständiga förändring, kan dessa nya utbildningsmetoder vara en vändpunkt. Genom att möjliggöra för robotar att lära sig och anpassa sig till individuella hemlayouter och rutiner, kan vi se en ny generation av riktigt hjälpsamma hushållsassistenter som kan utföra en mängd olika uppgifter.

Kompletterande tillvägagångssätt: Förutbildning och specifik utplacering

Medan RialTo och URDFormer närmar sig utmaningen med robotutbildning från olika vinklar, är de inte ömsesidigt uteslutande. I själva verket kan dessa system arbeta tillsammans för att tillhandahålla en mer omfattande utbildningsregim för robotar.

“De två tillvägagångssätten kan komplettera varandra,” förklarar Dr. Gupta. “URDFormer är riktigt användbart för förutbildning på hundratals scenarier. RialTo är särskilt användbart om du redan har förutbildat en robot, och nu vill utplacera den i någons hem och ha den vara kanske 95% framgångsrik.”

Detta kompletterande tillvägagångssätt tillåter för en tvåstegs utbildningsprocess. Först kan robotar exponeras för en stor mängd olika scenarier med hjälp av URDFormers snabbt genererade simuleringar. Denna breda exponering hjälper robotar att utveckla en allmän förståelse för olika miljöer och uppgifter. Sedan, för specifika utplaceringar, kan RialTo användas för att skapa en mycket exakt simulering av den exakta miljön där roboten kommer att operera, vilket möjliggör finjustering av dess färdigheter.

Framåt ser forskare på sätt att ytterligare förbättra dessa utbildningsmetoder. Dr. Gupta nämner framtida forskningsriktningar: “Framåt vill RialTo-teamet utplacera sitt system i människors hem (det har i huvudsak testats i en laboratoriemiljö).” Denna testning i verkliga miljöer kommer att vara avgörande för att finslipa systemet och säkerställa dess effektivitet i olika hemmiljöer.

Utmaningar och framtida perspektiv

Trots de lovande framstegen, kvarstår utmaningar inom området för robotutbildning. En av de viktigaste frågorna som forskare brottas med är hur man effektivt kan kombinera verkliga och simulerade data.

Dr. Gupta erkänner denna utmaning: “Vi måste fortfarande ta reda på hur vi bäst kan kombinera data som samlats in direkt i den verkliga världen, som är dyrt, med data som samlats in i simuleringar, som är billigt, men något felaktigt.” Målet är att hitta den optimala balansen som utnyttjar kostnadseffektiviteten hos simuleringar samtidigt som den upprätthåller den exakthet som tillhandahålls av verkliga data.

Den potentiella påverkan på robotikindustrin är betydande. Dessa nya utbildningsmetoder kan påskynda utvecklingen av mer kapabla och anpassningsbara robotar, vilket potentiellt kan leda till genombrott inom områden som sträcker sig från hemassistans till hälsovård och bortom.

Dessutom, när dessa utbildningsmetoder blir mer raffinerade och tillgängliga, kan vi se en förändring inom robotikindustrin. Mindre företag och till och med enskilda utvecklare kan ha verktygen för att utbilda sofistikerade robotar, vilket potentiellt kan leda till en boom i innovativa robotapplikationer.

De framtida perspektiven är spännande, med potentiella tillämpningar som sträcker sig långt bortom nuvarande användningsfall. När robotar blir mer skickliga på att navigera och interagera med verkliga miljöer, kan vi se dem ta på sig alltmer komplexa uppgifter i hem, kontor, sjukhus och offentliga utrymmen.