FLEX สอนให้หุ่นยนต์เรียนรู้การสรุปกฎทั่วไปจากการแก้ไขของมนุษย์

นักวิจัยจาก MIT และ New York University พัฒนา FLEX ซึ่งเป็นระบบที่ใช้การแก้ไขผ่านบทสนทนาเพื่อปรับคุณลักษณะของสภาพแวดล้อมที่ใช้กำกับการเคลื่อนไหวของหุ่นยนต์ MIT ประกาศผลงานนี้เมื่อวันที่ 9 พฤศจิกายน 2026 ก่อนนำเสนอในการประชุม Conference on Robot Learning ในเดือนพฤศจิกายน 2026

FLEX ช่วยแก้ปัญหาที่พบในหุ่นยนต์ซึ่งทำงานตามคำสั่งภาษา นั่นคือ การบอกหุ่นยนต์ที่กำลังถือกาแฟว่าอย่าทำหกใส่แล็ปท็อป อาจทำให้ระบบเพิ่มแล็ปท็อปเข้าไปในรายการสิ่งกีดขวาง โดยไม่เข้าใจว่าเหตุใดจึงต้องหลีกเลี่ยง ระบบนี้อนุมานความต้องการในภาพกว้างขึ้นว่าควรหลีกเลี่ยงอุปกรณ์อิเล็กทรอนิกส์ ทำให้แขนหุ่นยนต์จำลองปรับเส้นทางเพื่อหลบทั้งแล็ปท็อปและโทรศัพท์ที่อยู่ใกล้กันได้ โดยไม่ต้องสั่งแยกเป็นกรณีเฉพาะสำหรับโทรศัพท์

ปรับสิ่งที่หุ่นยนต์ติดตาม

บทความเรียก FLEX ว่า Flexible Feature Editing Pipeline ระบบนี้แยกการกำหนดคุณลักษณะออกจากการปรับแต่งรางวัล โดยการแก้ไขด้วยภาษาจะระบุว่าคุณสมบัติใดของฉากที่วัดได้มีความสำคัญ ส่วนการสาธิตจะกำหนดว่าคุณสมบัติเหล่านั้นควรมีอิทธิพลต่อวิถีการเคลื่อนที่มากน้อยเพียงใด การแยกขั้นตอนเช่นนี้มุ่งแก้ปัญหาการแทนข้อมูลที่ไม่ครบถ้วน ระบุคุณลักษณะมากเกินไปจนมีสิ่งที่ไม่เกี่ยวข้องปะปน หรือสรุปข้อมูลไว้ในระดับที่ไม่เหมาะสม

การแก้ไขแต่ละครั้งจะผ่านขั้นตอน ADD, GENERALIZE และ MASK ขั้นตอน ADD ตรวจสอบว่าคุณลักษณะที่มีอยู่แล้วอธิบายการแก้ไขนั้นได้หรือไม่ หากอธิบายไม่ได้ โมเดลภาษาจะเสนอคุณลักษณะที่ขาดไปและสร้างโค้ดสำหรับคำนวณคุณลักษณะนั้น ขั้นตอน GENERALIZE จะแทนที่คุณลักษณะที่เฉพาะเจาะจงเกินไปด้วยคุณลักษณะที่เชื่อมโยงกับเจตนาซึ่งอนุมานได้ ในตัวอย่างลูกโบว์ลิงของ MIT เงื่อนไขที่ระบุเฉพาะแก้วน้ำจะเปลี่ยนเป็นการหลีกเลี่ยงวัตถุที่แตกหักง่าย ส่วนขั้นตอน MASK จะนำคุณลักษณะที่ไม่เกี่ยวข้องอีกต่อไปออก

การเรียกใช้ MASK เป็นขั้นตอนสุดท้ายทำให้การพิจารณาความเกี่ยวข้องเกิดขึ้นกับคุณลักษณะหลังจากผ่านการสรุปให้เป็นกฎทั่วไปแล้ว การทดลองใช้ GPT-4o และ MIT รายงานว่าการโต้ตอบครบทั้งสามขั้นตอนใช้เวลาประมาณห้าวินาที

Andreea Bobu ซึ่งเป็นผู้นำการศึกษาและเป็นหัวหน้าห้องปฏิบัติการ Collaborative Learning and Autonomy Research Lab ของ MIT เชื่อมโยงการออกแบบนี้กับการใช้งานในบ้านว่า “บ้านของแต่ละคนไม่เหมือนกัน และแต่ละคนก็ใส่ใจเรื่องต่างกัน หุ่นยนต์ที่เพิ่งนำออกจากกล่องจึงไม่มีทางรู้ว่าอะไรสำคัญสำหรับคุณ สิ่งที่ทำให้ฉันตื่นเต้นเกี่ยวกับ FLEX คือมันเรียนรู้เรื่องเหล่านั้นได้จากประโยคหนึ่งหรือสองประโยค แทนที่จะต้องให้คุณแจกแจงกฎทุกข้อ และนั่นคือความแตกต่างระหว่างหุ่นยนต์ที่ผู้คนแค่ทนอยู่ด้วย กับหุ่นยนต์ที่พวกเขาอยากให้มีอยู่ในบ้านจริง ๆ”

ผลการจำลองและการประเมินจากมนุษย์

นักวิจัยทดสอบ FLEX ในตารางนำทางขนาด 9 คูณ 9 และงานจำลองบนโต๊ะด้วยหุ่นยนต์ Franka ที่มีองศาอิสระ 7 ระดับ ซึ่งเกี่ยวข้องกับกาแฟ เทียนที่จุดไฟ และลูกโบว์ลิง สถานการณ์การใช้แขนหุ่นยนต์ประกอบด้วยลำดับการแก้ไขห้าขั้น โดยเปลี่ยนการจัดวางวัตถุระหว่างแต่ละขั้น เพื่อให้คุณลักษณะที่เคยมีประโยชน์อาจกลายเป็นสิ่งไม่เกี่ยวข้อง หรือเพื่อให้พบความคลาดเคลื่อนที่ซ่อนอยู่

การเปรียบเทียบครอบคลุม ALGAE ซึ่งเพิ่มคุณลักษณะอย่างเดียว, Mask-From-Exhaustive (MFE) ซึ่งลบคุณลักษณะอย่างเดียว และวิธีพื้นฐานที่ไม่มีขั้นตอนกำกับ ซึ่งให้โมเดลภาษาสร้างชุดคุณลักษณะที่ปรับปรุงแล้วทั้งหมดในการสอบถามครั้งเดียว ตัวชี้วัดรางวัลที่ปรับมาตรฐานกำหนดให้พฤติกรรมที่เหมาะสมที่สุดมีค่า 1 และวิถีการเคลื่อนที่กรณีเลวร้ายที่สุดมีค่า 0

บทความรายงานว่า FLEX ทำคะแนนรางวัลเฉลี่ยที่ปรับมาตรฐานแล้วสูงที่สุดในสถานการณ์นำทางทั้งเจ็ดกรณี ในสถานการณ์ที่ต้องใช้การดำเนินการทั้งสามแบบ FLEX ได้คะแนนเฉลี่ย 0.99 เทียบกับ 0.69 สำหรับ ALGAE, 0.83 สำหรับ MFE และ 0.78 สำหรับวิธีพื้นฐานที่ไม่มีขั้นตอนกำกับ

ในการจำลองแขนหุ่นยนต์แบบต่อเนื่อง ผู้เขียนรายงานว่าโดยทั่วไป FLEX เรียนรู้รางวัลเป้าหมายได้หลังการแก้ไขหนึ่งหรือสองครั้ง และยังคงทำงานได้ดีในการจัดวางวัตถุทั้งรูปแบบก่อนหน้าและภายหลัง วิธีเปรียบเทียบต้องได้รับการแก้ไขมากกว่า และประสิทธิภาพลดลงเมื่อมีคุณลักษณะที่ไม่เกี่ยวข้องสะสมเพิ่มขึ้น หรือเมื่อการแทนข้อมูลปรับเข้ากับแต่ละขั้นมากเกินไป

การศึกษาแบบพบหน้ากันอีกส่วนหนึ่งมีผู้เข้าร่วม 12 คน แต่ละคนพิมพ์คำแก้ไขในสามชุดการทดลอง ชุดละห้าขั้น โดยใช้ FLEX, ALGAE และ MFE นักวิจัยรายงานว่า FLEX ได้คะแนนเฉลี่ยสูงที่สุดในแบบสอบถามทั้งห้ามิติ สำหรับความเข้าใจเจตนาบนมาตราส่วนเจ็ดระดับ คะแนนเฉลี่ยของ FLEX อยู่ที่ 6.3, ALGAE อยู่ที่ 5.0 และ MFE อยู่ที่ 4.5 ความแตกต่างระหว่าง FLEX กับวิธีพื้นฐานทั้งสองแบบมีนัยสำคัญทางสถิติหลังปรับค่าจากการเปรียบเทียบหลายครั้งแล้ว ส่วนความแตกต่างด้านความง่ายในการใช้งานและความสามารถในการทำงานร่วมกันไม่มีนัยสำคัญทางสถิติ

ข้อจำกัดของหลักฐานและสถานะการพัฒนา

การศึกษากับมนุษย์ไม่ได้ทดสอบการทำงานแบบวงปิดบนหุ่นยนต์จริง ผู้เข้าร่วมดูวิถีการเคลื่อนที่ที่จำลองขึ้น เนื่องจากวิธีพื้นฐานบางแบบทำให้แขนหุ่นยนต์เคลื่อนไหวอย่างไร้แบบแผน ส่วนทีมวิจัยได้นำคำแก้ไขของผู้เข้าร่วมมารวมกับการสาธิตโดยผู้เชี่ยวชาญที่เก็บรวบรวมจากหุ่นยนต์ Franka จริง เพื่อใช้ในการเรียนรู้แบบออฟไลน์แยกต่างหาก ผู้เขียนระบุว่างานด้านฮาร์ดแวร์นี้เป็นการตรวจสอบความเป็นไปได้เพื่อสนับสนุนการศึกษาด้วยการจำลอง

ปัจจุบัน FLEX ใช้ได้กับการจัดการวัตถุแข็งแบบกึ่งสถิตเท่านั้น โดยคุณสมบัติที่เกี่ยวข้องต้องอธิบายเป็นภาษาได้ งานที่มีการเคลื่อนไหวและวัตถุที่เปลี่ยนรูปได้อาจต้องใช้ข้อมูลจากรูปแบบอื่นเพิ่มเติม ผู้เขียนระบุว่าสามัญสำนึกของโมเดลภาษาช่วยรองรับความต้องการที่คนส่วนใหญ่มีร่วมกันได้ แต่อาจใช้ไม่ได้กับความต้องการเฉพาะบุคคลหรือความต้องการที่ขัดกับสัญชาตญาณ คำขอให้เว้นระยะจากแล็ปท็อปให้มากยิ่งขึ้นยังสื่อถึงระดับความต้องการด้วย ซึ่งรูปแบบปัจจุบันยังจับประเด็นนี้ไม่ได้

หน้าโครงการของผู้เขียนยังระบุว่าอยู่ระหว่างดำเนินการ และแจ้งว่าโค้ดกับชุดข้อมูลจะพร้อมให้ใช้งานเร็ว ๆ นี้

สำหรับหุ่นยนต์ในบ้านและหุ่นยนต์ช่วยเหลือ การต้องแก้ไขน้อยลงจะเป็นประโยชน์ก็ต่อเมื่อความชอบที่อนุมานได้ตรงกับสิ่งที่ผู้ใช้ให้ความสำคัญจริง ๆ คำถามสำคัญที่ยังไม่มีคำตอบคือ การสรุปข้อมูลทั่วไปของโมเดลภาษาจะรองรับความชอบเฉพาะบุคคลได้อย่างสม่ำเสมอในระดับเดียวกันระหว่างการทำงานแบบวงปิดบนหุ่นยนต์จริงหรือไม่