Ми навчили роботів рухатися. Тепер ми вчимо їх жити

Сучасна робототехніка досягла точки, де рух вже не є основною проблемою – машини можуть вже навігаціювати, хапати та діяти в просторі з вражаючою точністю. Однак надання їм можливості真正но “жити” та функціонувати в реальному світі залишається нерозв’язаною проблемою.

У цьому процесі ключову роль грає те, що можна назвати “спинним мозком”: система, відповідальна за базові реакції, поведінку та взаємодію з довкіллям.

Коли ви дивитесь на еволюцію роботів через цю призму, стає ясно, що ця послідовність стадій – де система вчиться щось нове на кожному етапі, від простого руху до складних, контекстно-залежних дій – нагадує людський розвиток.

І саме в рамках цієї еволюції – від “порожніх” апаратів до значущої поведінки – відбувається основний зсув у фізичному штучному інтелекті сьогодні. Цікаво глибше вивчити це.

Основи робототехніки: стадія, яку рідко обговорюють

Що таке робот у практичному сенсі? Це фізичний пристрій, спочатку створений як універсальна платформа. По суті, це “чистий аркуш”, який потім потрібно адаптувати до конкретних завдань, навчити діяти в певному середовищі та вчити виконувати необхідні дії.

Якщо ми переходимо за межі повсякденних сценаріїв та розглядаємо більш реалістичні застосування в найближчому майбутньому, стає ясно, що повне впровадження роботів буде відбуватися переважно в промислових та потенційно небезпечних середовищах. Це, в свою чергу, означає значно вищі вимоги до їхньої поведінки, надійності та якості навчання.

Процес починається з найбільш базового етапу – побудови самого пристрою. Робот складається з декількох компонентів, включаючи виконавчі механізми, двигуни, сенсори, камери, лідари. Він може бути гуманоїдним, колісним, двоногим або чотириногим – форма другого порядку. Що важливо, так це те, що на цій стадії ми отримуємо функціонуючий, але ще “порожній” пристрій.

Наступна стадія – встановлення базової моделі, яка служить основою для його поведінки. У широкому сенсі “модель” – це весь функціональний контрольний шар. Він відповідає за основні можливості: підтримання балансу, стоячи та рухаючись, навігацію з точки А до точки Б, уникання перешкод, не пошкоджуючи середовище, та безпечну взаємодію з людьми.

Саме тут вступає в дію підкріплювальне навчання. У таких системах проводяться мільярди симуляцій. Часто ми бачимо відео, як роботи “навчаються” в складних середовищах: більшість з них падає, втрачає баланс або не може виконати завдання. Але ті, хто вдається залишитися на ногах та продовжувати рухатися, – це ті, хто прогресує.

Це суть підкріплювального навчання: вибір успішної поведінки. Алгоритми тих, хто “виживає”, стають основою для наступних ітерацій. Як результат, після величезної кількості запусків, з’являється модель, яка може впевнено справлятися з перешкодами. Цей алгоритм потім передається на фізичний пристрій.

Це є заснованою, але критично важливою стадією – часто без участі комп’ютерного зору, який на цьому етапі не потрібен. Що ми маємо справу, так це фундаментальна фізика та механіка, які повинні бути закладені в систему з самого початку.

Як роботи починають “чувствувати” світ

Отже, у нас вже є “апаратне забезпечення” – робот з встановленою базовою моделлю: він може стояти, ходити та підтримувати баланс. Але чи достатньо цього для реальних завдань, наприклад, у промислових середовищах? Звичайно, ні.

Наступний рівень починається тут. Ми інтегруємо сенсори та навчаємо модель діяти на основі сенсорної інформації. З’являється новий шар основних навичок – вже значно складніших, ніж простий рух.

Аналогія з людським розвитком корисна тут. На першій стадії ми привели систему до рівня приблизно однорічного дитини: вона може стояти, робити перші кроки та підтримувати баланс без падіння. Наступний крок більше відповідає рівню восьмирічної дитини.

У цьому віці дитина активно використовує свої “сенсори”: вона може сприймати ризик та оцінювати наслідки своїх дій. Вона розуміє, що не слід торкатися гарячого предмета або класти щось дуже холодне в рот. Вона може залізти на стіл, кататися на велосипеді та взаємодіяти з об’єктами. Вона здатна хапати, нести та маніпулювати предметами та виконувати базові дії з самообслуговування.

Ми називаємо цю стадію попереднім навчанням. І на цьому етапі симуляції самі по собі вже недостатні.

Так, деякі сценарії все ще можуть бути ефективно змодельовані: як підняти склянку, або замініть батарею, наприклад, видаливши один компонент, поставивши його на зарядку, взявши інший та встановивши його назад.

Але загалом, баланс зсувається: близько 80% навчання все ще може відбуватися в симуляції, тоді як близько 20% даних повинні походити з реального світу. І саме тут ми починаємо обговорювати егоцентричні дані.

Егоцентричні дані як основа розуміння середовища

Сьогодні егоцентричні дані збираються у величезному масштабі по всьому світу – адже без них неможливо перейти від базової механіки до значущої взаємодії з реальним світом. Колега, який керує мережею автосервісів, має працівників, які використовують камери, встановлені на голові, для запису всього процесу ремонту автомобіля. Власник будівлі в Нью-Йорку реалізував подібний підхід: персонал технічного обслуговування носить камери на лобі, які записують, як вони підтримують чистоту приміщень та санітарні зони.

З часом ці записи стають самостійним продуктом – вони упаковуються та продаються. Їхня ключова цінність полягає в їхній придатності для стадії попереднього навчання, яка допомагає будувати базове розуміння середовища та послідовностей дій.

Наприклад, така служба існувала на Keymakr, де команда незалежно створила цілі колекції егоцентричних даних від простих сценаріїв, таких як миття посуду, до більш складних.

Чому це так важливо? Тому що такі дані надають щось, чого чиста симуляція не може – різноманітність реальних середовищ. Офіси, автосервісні майстерні, будівельні майданчики, ресторани та готелі – кожен з них додає свій контекст, сценарії та нюанси. Разом вони утворюють набір даних, який дозволяє системі не тільки “бачити”, але й поступово починає розуміти динаміку реального світу.

На цьому етапі мета вже не полягає в тому, щоб навчити робота ідеально виконувати певну дію. Що важливіше, так це надання йому можливості орієнтуватися в своєму оточенні спочатку.

Сьогодні майже всі компанії, які працюють у сфері робототехніки – від Tesla до Unitree Robotics та Figure AI – зосереджені саме на цій стадії. Їхня мета – побудувати базову модель, чиї можливості спочатку нагадують можливості “восьмирічної дитини”, а потім розвиваються до рівня “дванадцятирічної дитини”. Це також те, на чому ми зосереджуємося в Introspector – підготовці даних, необхідних для попереднього навчання, найбільш критичної фази в “дорослішанні” сучасної робототехніки.

Останній етап навчання: де закінчується універсальність, а починається спеціалізація

Давайте уявимо, що робот вже пройшов попереднє навчання та виготовляється з самого початку з базовим розумінням світу та набором навичок, порівнянним з тим, що має підліток. Але навіть цього недостатньо для реальних бізнес-використань. Компаніям не потрібен просто “універсальний” робот – їм потрібен спеціаліст.

Візьмімо виробництво автомобілів як приклад. Деякі завдання все ще виконуються людьми, оскільки вони вимагають чутливості, точності та безперервного візуального контролю. Традиційна автоматизація тут бореться. Промислові маніпулятори добре справляються з повторюваними, жорсткими завданнями – “взяти, перемістити, покласти”. Але завдання, які вимагають адаптивності, відчуття тиску та реального часу регулювання, залишаються в людській сфері.

Саме тут виникає новий запит: навчити робота виконувати певну операцію точно так, як це робить кваліфікований працівник на виробничій лінії. Інакше кажучи, після базового навчання настає наступний рівень: навчання для конкретної професії та сценарію.

На цьому етапі виникає практичне питання: що саме потрібно для цього рівня навчання? Якщо ми хочемо, щоб робот повторював людську поведінку, нам потрібно захопити цю поведінку якомога точніше. Наприклад, спеціаліст на заводі повинен носити камеру та протягом тривалого періоду, місяців або навіть року, записувати, як він виконує завдання.

Що потрібно, щоб роботи “жили” у людському світі

Камера сама по собі недостатня. Необхідно захопити не тільки візуальну перспективу, але й фізику руху. Це здійснюється за допомогою спеціальних рукавичок з тактильними сенсорами, які вимірюють тиск, прикладену силу та характер взаємодії з об’єктами. Це особливо важливо, оскільки самі об’єкти можуть суттєво відрізнятися. Наприклад, уплотнювальні смуги можуть відрізнятися за жорсткістю залежно від моделі автомобіля, що безпосередньо впливає на виконання завдання.

Далі йде кінематична відстежування. Маркери – візуальні або сенсорні – розміщуються на зап’ястях, ліктях та іноді плечах. Це можуть бути, наприклад, браслети з ідентифікованими маркерами (подібними до QR-кодів), які дозволяють системі відстежувати положення руки в просторі з відео. Додаткові сенсори, такі як гіроскопи, використовуються для захоплення рухів суглобів.

Остаточною метою є повне відновлення механіки руху: як рухається плече, як згинається лікоть, як обертається зап’ясть. Все це стає важливим для наступної стадії – післянавчання.

Якщо під час попереднього навчання ми все ще могли частково покладатися на симуляцію, то на цьому етапі це вже не працює. Цей “останній етап” майже неможливо точно змоделювати. Неможливо повністю змоделювати, наприклад, як шеф-кухар розкачує тісто – прикладену силу, як розподіляється тиск, як матеріал відчувається.

Тому під час післянавчання майже всі дані повинні походити з реального світу. І саме тут стає ясно: основна проблема зсувається в практичну область – як отримати такі дані в реальності. Збір егоцентричних даних на цьому рівні – це складний, багатостадійний процес, який включає доступ до середовищ, спеціальне обладнання, участь кваліфікованих працівників та подальшу підготовку даних.

Поза теорією, саме тут роботи真正но “оживають” – після того, як ми зможемо організувати цей процес, подолати обмеження команд у різних галузях та анотувати такі набори даних у масштабі. Це буде розглянуто в наступній частині, де ми більш детально розглянемо всі виклики, які виникають під час їхнього маркування та підготовки.