FLEX giúp robot khái quát hóa từ những chỉnh sửa của con người

Các nhà nghiên cứu tại MIT và New York University đã phát triển FLEX, một hệ thống sử dụng các chỉnh sửa qua hội thoại để điều chỉnh những đặc điểm môi trường định hướng chuyển động của robot. MIT công bố công trình này vào ngày 9 tháng 11 năm 2026, trước khi nghiên cứu được trình bày tại Conference on Robot Learning vào tháng 11 năm 2026.

FLEX xử lý một dạng thất bại trong lĩnh vực robot điều khiển bằng ngôn ngữ: khi được yêu cầu không làm đổ cà phê lên máy tính xách tay, robot mang cà phê có thể đưa vật đó vào danh sách chướng ngại vật mà không nắm được lý do nó quan trọng. Hệ thống suy ra một ưu tiên rộng hơn là tránh các thiết bị điện tử, nhờ đó cánh tay robot mô phỏng điều chỉnh đường đi để tránh cả máy tính xách tay lẫn chiếc điện thoại ở gần mà không cần chỉ dẫn riêng về điện thoại.

Điều chỉnh những gì robot theo dõi

Bài báo gọi FLEX là Quy trình chỉnh sửa đặc trưng linh hoạt (Flexible Feature Editing Pipeline). Hệ thống tách việc xác định đặc trưng khỏi việc tối ưu hóa phần thưởng: các chỉnh sửa bằng ngôn ngữ giúp xác định những thuộc tính có thể đo lường nào của cảnh là quan trọng, còn các thao tác làm mẫu cho biết những thuộc tính đó nên ảnh hưởng đến quỹ đạo ở mức độ nào. Cách phân chia này nhằm xử lý các biểu diễn còn thiếu sót, chứa quá nhiều đặc trưng không liên quan hoặc được khái quát hóa ở mức độ không phù hợp.

Mỗi lần chỉnh sửa đều trải qua ADD, GENERALIZE và MASK. ADD kiểm tra xem các đặc trưng hiện có có giải thích được nội dung chỉnh sửa hay không; nếu không, mô hình ngôn ngữ sẽ đề xuất một đặc trưng còn thiếu và tạo mã để tính toán đặc trưng đó. GENERALIZE thay một đặc trưng quá cụ thể bằng đặc trưng gắn với ý định được suy ra. Trong ví dụ về quả bóng bowling của MIT, một ràng buộc chỉ áp dụng cho chiếc cốc được chuyển thành yêu cầu tránh các vật dễ vỡ. MASK loại bỏ những đặc trưng không còn phù hợp.

Thực hiện MASK ở bước cuối đồng nghĩa với việc các quyết định về mức độ phù hợp được áp dụng cho các đặc trưng sau khi đã khái quát hóa. Các thí nghiệm sử dụng GPT-4o, và MIT cho biết toàn bộ tương tác gồm ba bước mất khoảng năm giây.

Andreea Bobu, người đứng đầu nghiên cứu và lãnh đạo Collaborative Learning and Autonomy Research Lab của MIT, liên hệ thiết kế này với việc sử dụng robot trong gia đình: “Nhà của mỗi người đều khác nhau, và mỗi người quan tâm đến những điều khác nhau, nên không có robot nào vừa xuất xưởng đã biết điều gì quan trọng với bạn. Điều khiến tôi hào hứng về FLEX là hệ thống có thể nắm bắt điều đó chỉ từ một hoặc hai câu, thay vì yêu cầu bạn nêu rõ từng quy tắc — và đó là khác biệt giữa một con robot mà mọi người đành chấp nhận sống chung với nó và một con robot mà họ thực sự muốn có trong nhà.”

Kết quả mô phỏng và đánh giá của con người

Các nhà nghiên cứu thử nghiệm FLEX trên những lưới điều hướng 9 × 9 và trong các tác vụ mô phỏng trên mặt bàn với cánh tay Franka có bảy bậc tự do, liên quan đến cà phê, một ngọn nến đang cháy và một quả bóng bowling. Các tình huống với cánh tay robot sử dụng chuỗi chỉnh sửa gồm năm giai đoạn; cách sắp xếp vật thể thay đổi giữa các giai đoạn, khiến một đặc trưng trước đó hữu ích có thể trở nên không còn phù hợp hoặc một điểm lệch ẩn có thể lộ ra.

Các phương pháp được so sánh gồm ALGAE, chỉ bổ sung đặc trưng; Mask-From-Exhaustive (MFE), chỉ loại bỏ đặc trưng; và một phương pháp cơ sở không có hướng dẫn từng bước, trong đó mô hình ngôn ngữ được yêu cầu tạo một bộ đặc trưng cập nhật hoàn chỉnh chỉ trong một truy vấn. Thước đo phần thưởng chuẩn hóa của nghiên cứu gán giá trị 1 cho hành vi tối ưu và 0 cho quỹ đạo tệ nhất.

Bài báo cho biết FLEX đạt mức phần thưởng chuẩn hóa trung bình cao nhất trong cả bảy tình huống điều hướng. Trong tình huống đòi hỏi cả ba thao tác, FLEX đạt trung bình 0,99, so với 0,69 của ALGAE, 0,83 của MFE và 0,78 của phương pháp cơ sở không có hướng dẫn từng bước.

Trong các mô phỏng tuần tự với cánh tay robot, các tác giả cho biết FLEX nhìn chung học được mức phần thưởng mục tiêu sau một hoặc hai lần chỉnh sửa, đồng thời duy trì hiệu suất ở những cấu hình trước đó và sau đó. Các phương pháp so sánh cần nhiều lần chỉnh sửa hơn và hiệu suất suy giảm khi các đặc trưng không liên quan tích tụ hoặc biểu diễn bị khớp quá mức với từng giai đoạn riêng lẻ.

Một nghiên cứu trực tiếp riêng biệt có 12 người tham gia; mỗi người nhập các chỉnh sửa bằng văn bản trong ba phần, mỗi phần gồm năm giai đoạn, sử dụng FLEX, ALGAE và MFE. Các nhà nghiên cứu cho biết FLEX nhận được điểm đánh giá trung bình cao nhất ở cả năm tiêu chí trong bảng hỏi. Với tiêu chí hiểu ý định trên thang điểm bảy, điểm trung bình lần lượt là 6,3 cho FLEX, 5,0 cho ALGAE và 4,5 cho MFE. Sau khi điều chỉnh cho nhiều phép so sánh, sự khác biệt giữa FLEX và cả hai phương pháp cơ sở đều có ý nghĩa thống kê. Khác biệt về mức độ dễ sử dụng và khả năng cộng tác không có ý nghĩa thống kê.

Giới hạn của bằng chứng và tình trạng phát triển

Nghiên cứu với người tham gia không được tiến hành theo vòng phản hồi khép kín trên robot vật lý. Người tham gia quan sát các quỹ đạo mô phỏng vì một số phương pháp cơ sở khiến cánh tay robot chuyển động thất thường; riêng biệt, nhóm nghiên cứu kết hợp các chỉnh sửa của họ với những thao tác làm mẫu của chuyên gia được thu thập bằng một cánh tay Franka vật lý để phục vụ việc học ngoại tuyến. Các tác giả mô tả thử nghiệm phần cứng này là bước kiểm tra tính khả thi nhằm hỗ trợ nghiên cứu mô phỏng.

Hiện FLEX chỉ giới hạn ở thao tác gần tĩnh với các vật thể cứng có những thuộc tính liên quan có thể diễn đạt bằng ngôn ngữ; các tác vụ động và vật thể biến dạng có thể cần thêm phương thức đầu vào. Các tác giả cho biết hiểu biết thông thường của mô hình ngôn ngữ có thể đáp ứng những ưu tiên được nhiều người cùng chia sẻ, nhưng có thể thất bại với các ưu tiên mang tính cá nhân hoặc trái với trực giác. Yêu cầu robot giữ khoảng cách với máy tính xách tay xa hơn nữa cũng thể hiện mức độ ưu tiên, điều mà phương pháp hiện tại chưa nắm bắt được.

Trang dự án của các tác giả vẫn được ghi là đang trong quá trình hoàn thiện và cho biết mã nguồn cùng bộ dữ liệu sẽ sớm được cung cấp.

Đối với robot gia dụng và robot hỗ trợ, việc giảm số lần cần chỉnh sửa chỉ có ích khi sở thích được suy ra phù hợp với điều người dùng thực sự quan tâm. Câu hỏi trọng tâm còn bỏ ngỏ là liệu các khái quát hóa của mô hình ngôn ngữ có thể đáp ứng những sở thích riêng biệt với mức độ nhất quán tương tự khi robot thực vận hành theo cơ chế vòng kín hay không.