Нові системи штучного інтелекту перетворюють адаптацію роботів до реальних просторів

Область робототехніки давно бореться із значною проблемою: навчання роботів функціонувати ефективно в динамічних, реальних середовищах. Хоча роботи добре працюють у структурованих умовах, таких як збіркові лінії, навчання їх навігації в непередбачуваній природі домівок і громадських просторів виявилося складним завданням. Основна перешкода? Недостатність різноманітних, реальних даних, необхідних для навчання цих машин.

У новому розвитку від Університету Вашингтону, дослідники представили дві інноваційні системи штучного інтелекту, які потенційно можуть перетворити навчання роботів для складних, реальних сценаріїв. Ці системи використовують потужність відео- та фотоданих для створення реалістичних симуляцій для навчання роботів.

RialTo: Створення цифрових двійників для навчання роботів

Перша система, названа RialTo, вводить новий підхід до створення навчальних середовищ для роботів. RialTo дозволяє користувачам генерувати “цифровий двійник” – віртуальну копію фізичного простору – використовуючи лише смартфон.

Доктор Абхішек Гупта, асистент-професор школи комп’ютерних наук та інженерії Університету Вашингтону та співавтор дослідження, пояснює процес: “Користувач може швидко сканувати простір смартфоном, щоб записати його геометрію. RialTo потім створює симуляцію “цифрового двійника” простору.”

Цей цифровий двійник не є статичною 3D-моделлю. Користувачі можуть взаємодіяти з симуляцією, визначаючи, як різні об’єкти в просторі функціонують. Наприклад, вони можуть демонструвати, як відкриті шухляди або працюють прилади. Ця взаємодія є важливою для навчання роботів.

Як тільки цифровий двійник створений, віртуальний робот може багаторазово практикувати завдання в цьому симульованому середовищі. Через процес, який називається підкріпленням навчання, робот вчиться виконувати завдання ефективно, навіть враховуючи потенційні порушення або зміни в середовищі.

Краса RialTo полягає в його здатності перенести це віртуальне навчання у фізичний світ. Гупта зазначає: “Робот потім може перенести це навчання у фізичне середовище, де воно майже так само точне, як робот, навчений у реальній кухні.”

URDFormer: Генерування симуляцій з інтернет-образів

Хоча RialTo зосереджується на створенні високоточних симуляцій конкретних середовищ, друга система, URDFormer, підходить до завдання з іншого боку. URDFormer спрямована на швидке та економічне створення великої кількості загальних симуляцій.

Зої Чен, докторант Університету Вашингтону та головний автор дослідження URDFormer, описує унікальний підхід системи: “URDFormer сканує зображення з інтернету та поєднує їх з існуючими моделями того, як, наприклад, кухонні шухляди та шафи будуть рухатися. Потім вона передбачає симуляцію з початкового реального зображення.”

Цей метод дозволяє дослідникам швидко генерувати сотні різноманітних симульованих середовищ. Хоча ці симуляції можуть не бути такими точними, як ті, створені RialTo, вони пропонують важливу перевагу: масштаб. Здатність навчати роботів у широкому діапазоні сценаріїв може суттєво підвищити їх адаптивність до різних реальних ситуацій.

Чен підкреслює важливість цього підходу, особливо для домашніх середовищ: “Домашні середовища унікальні та постійно змінюються. Є різноманітність об’єктів, завдань, планів поверхів та людей, що рухаються через них. Це саме місце, де штучний інтелект стає особливо корисним для робототехніків.”

Використовуючи інтернет-образи для створення цих симуляцій, URDFormer суттєво знижує вартість та час, необхідні для генерації навчальних середовищ. Це може потенційно прискорити розвиток роботів, здатних функціонувати в різноманітних реальних умовах.

Демократизація навчання роботів

Введення RialTo та URDFormer представляє суттєвий крок до демократизації навчання роботів. Ці системи мають потенціал суттєво знижувати витрати, пов’язані з підготовкою роботів до реальних середовищ, роблячи цю технологію більш доступною для дослідників, розробників та потенційно навіть кінцевих користувачів.

Доктор Гупта підкреслює демократизуючий потенціал цієї технології: “Якщо ви можете зробити так, щоб робот працював у вашому будинку просто скануючи його телефоном, це демократизує технологію.” Ця доступність може прискорити розвиток та впровадження домашніх роботів, наблизивши нас до майбутнього, де домашні роботи будуть так само поширені, як смартфони.

Вплив на домашніх роботів особливо цікавий. Оскільки домівки представляють одне з найбільш складних середовищ для роботів через їхню різноманітність та постійну зміну, ці нові методи навчання можуть стати переломним моментом. Дозволяючи роботам навчатися та адаптуватися до індивідуальних планів будинків та режимів, ми можемо побачити нове покоління справжніх помічників, здатних виконувати широкий спектр завдань.

Доповнювальні підходи: попереднє навчання та конкретне розгортання

Хоча RialTo та URDFormer підходять до завдання навчання роботів з різних сторін, вони не є взаємовиключними. Насправді, ці системи можуть працювати в тандемі, щоб забезпечити більш повний навчальний режим для роботів.

“Два підходи можуть доповнювати один одного,” пояснює доктор Гупта. “URDFormer особливо корисний для попереднього навчання на сотнях сценаріїв. RialTo особливо корисний, якщо ви вже попередньо навчили робота, і тепер хочете розгорнути його в будинку когось та зробити його, можливо, 95% успішним.”

Цей доповнювальний підхід дозволяє здійснити двоступеневий процес навчання. Спочатку роботи можуть бути піддані широкому спектру сценаріїв, використовуючи швидко згенеровані симуляції URDFormer. Це широке охоплення допомагає роботам розвинути загальне розуміння різних середовищ та завдань. Потім, для конкретних розгортань, RialTo можна використовувати для створення високоточної симуляції точного середовища, де робот буде працювати, дозволяючи йому дошліфувати свої навички.

Оглядаючи майбутнє, дослідники досліджують способи подальшого вдосконалення цих методів навчання. Доктор Гупта згадує майбутні напрямки досліджень: “Команда RialTo хоче розгорнути свою систему в будинках людей (в основному вона була протестована в лабораторії).” Це реальне тестування буде важливим для дошліфування системи та забезпечення її ефективності в різноманітних домашніх середовищах.

Виклики та майбутні перспективи

Незважаючи на перспективні досягнення, залишаються виклики в галузі навчання роботів. Одним із ключових питань, з якими борються дослідники, є те, як ефективно поєднати реальні дані та дані симуляції.

Доктор Гупта визнає цей виклик: “Нам ще потрібно вирішити, як найкраще поєднати дані, зібрані безпосередньо у реальному світі, які є дорогими, з даними, зібраними у симуляціях, які є дешевими, але трохи неправильними.” Метою є знайти оптимальний баланс, який використовує економічність симуляцій, зберігаючи при цьому точність, забезпечену реальними даними.

Потенційний вплив на галузь робототехніки суттєвий. Ці нові методи навчання можуть прискорити розвиток більш здатних та адаптивних роботів, потенційно ведучи до проривів у галузях, починаючи від домашньої допомоги та закінчуючи охороною здоров’я та іншими.

Крім того, коли ці методи навчання стануть більш розвиненими та доступними, ми можемо побачити зміну в галузі робототехніки. Менші компанії та навіть окремі розробники можуть мати інструменти для навчання складних роботів, потенційно ведучи до буму інноваційних робототехнічних застосунків.

Майбутні перспективи цікаві, з потенційними застосуваннями, що розширюються далеко за межі поточних випадків використання. Коли роботи стануть більш здатними до навігації та взаємодії з реальними середовищами, ми можемо побачити, як вони виконуватимуть все більш складні завдання в домівках, офісах, лікарнях та громадських просторах.