İnsan Dili Robotik Öğrenmeyi Hızlandırıyor

Princeton'daki bir araştırma ekibi, araçların insan dilindeki tanımlarının, çeşitli araçları kaldırabilen ve kullanabilen simüle edilmiş bir robotik kolun öğrenilmesini hızlandırabileceğini buldu.

Yeni araştırma, AI eğitiminin otonom robotları yeni durumlarda daha uyumlu hale getirebileceği ve bunun da etkinliklerini ve güvenliklerini artırabileceği fikrini destekliyor.

Robotun eğitim sürecine bir aletin biçimi ve işlevinin açıklamaları eklenerek, robotun yeni araçları manipüle etme yeteneği iyileştirildi.

Eğitim için ATLA Metodu

Yeni yöntem denir Dil ile Araç Manipülasyonunun Hızlandırılmış Öğrenimiveya ATLA'dır.

Anirudha Majumdar, Princeton'da mekanik ve uzay mühendisliği profesörü ve Intelligent Robot Motion Lab başkanıdır.

Majumdar, "Dil biçimindeki ekstra bilgiler, bir robotun araçları kullanmayı daha hızlı öğrenmesine yardımcı olabilir" dedi.

Ekip, araç açıklamalarını elde etmek için GPT-3 dil modelini sorguladı. Çeşitli istemleri denedikten sonra, aracın şekli veya amacı olan özellik ile "[aracın] [özelliğini] ayrıntılı ve bilimsel bir yanıtta tanımlayın" kullanmaya karar verdiler.

Karthik Narasimhan, bilgisayar bilimleri alanında yardımcı doçent ve çalışmanın ortak yazarıdır. Narasimhan aynı zamanda Princeton'ın doğal dil işleme (NLP) grubunun baş öğretim üyesidir ve OpenAI'de misafir araştırma bilimcisi olarak orijinal GPT dil modeline katkıda bulunmuştur.

Narasimhan, "Bu dil modelleri internette eğitildiğinden, bir anlamda bunu, kitle kaynak kullanımı kullanmaktan veya araç açıklamaları için belirli web sitelerini kazımaktan daha verimli ve kapsamlı bir şekilde bu bilgileri almanın farklı bir yolu olarak düşünebilirsiniz" dedi.

Simüle Robot Öğrenme Deneyleri

Ekip, simüle edilmiş robot öğrenme deneyleri için baltadan sileceke kadar değişen araçlarla 27 araçtan oluşan bir eğitim seti seçti. Robotik kola dört farklı görev verildi: aleti itin, aleti kaldırın, masa boyunca bir silindiri süpürmek için kullanın veya bir deliğe bir çivi çakın.

Ekip daha sonra dil bilgisi içeren ve içermeyen makine öğrenimi yaklaşımlarını kullanarak bir dizi politika geliştirdi. Politikaların performansları, eşleştirilmiş açıklamalara sahip dokuz araçtan oluşan ayrı bir testle karşılaştırıldı.

Meta-öğrenme olarak adlandırılan yaklaşım, robotun birbirini izleyen her görevde öğrenme yeteneğini geliştirir.

Narasimhan'a göre, robot sadece her aleti kullanmayı öğrenmiyor, aynı zamanda “bu yüz farklı aletin her birinin açıklamalarını anlamayı öğrenmeye çalışıyor, bu nedenle 101. aracı gördüğünde yeni aracı kullanmayı daha hızlı öğreniyor. ”

Deneylerin çoğunda dil bilgisi, robotun yeni araçları kullanma becerisi için önemli avantajlar sağladı.

Allen Z. Ren bir Ph.D. Majumdar'ın grubunda öğrenci ve araştırma makalesinin baş yazarı.

Ren, "Dil eğitimiyle, levyenin uzun ucunu tutmayı ve şişenin hareketini daha iyi kısıtlamak için kavisli yüzeyi kullanmayı öğreniyor," dedi. "Dil olmadan, levyeyi kavisli yüzeyin yakınında kavradı ve kontrol etmesi daha zordu."

Majumdar, "Geniş hedef, robotik sistemleri - özellikle makine öğrenimi kullanılarak eğitilmiş olanları - yeni ortamlara genellemek için elde etmektir" diye ekledi.