人类引导的AI框架承诺在新环境中实现更快速的机器人学习

在未来智能家居的时代，拥有机器人来简化家务不会成为稀罕事。然而，当这些自动化助手无法完成简单的任务时，人们可能会感到沮丧。来自MIT电气工程和计算机科学系的学者Andi Peng和她的团队正在打造一条改善机器人学习曲线的道路。

Peng和她的跨学科研究团队开创了一种人机交互框架。该系统的亮点在于其能够生成反事实叙述，指出机器人需要做出哪些改变才能成功完成任务。

举例来说，当机器人难以识别一个奇怪的彩绘马克杯时，该系统会提供机器人在其他情况下会成功的替代情景，例如如果马克杯的颜色更常见。这些反事实解释与人类反馈相结合，简化了为机器人生成新数据的过程，以便对其进行微调。

Peng解释说，“微调是优化已经擅长某一任务的现有机器学习模型，使其能够执行第二个类似任务的过程。”

效率和性能的飞跃

当测试该系统时，结果令人印象深刻。采用这种方法训练的机器人展示了快速的学习能力，同时减少了来自人类教师的时间投入。如果能够在更大规模上成功实施，这种创新框架可能有助于机器人快速适应新环境，减少用户需要具备高级技术知识的需求。这项技术可能是解锁能够高效帮助老年人或残疾人士的通用机器人的关键。

Peng相信，“最终目标是使机器人能够以人类抽象水平学习和运作。”

革命性的机器人训练

机器人学习的主要障碍是“分布转移”，这是用来描述机器人遇到在其训练期间没有接触过的对象或空间的情况的术语。为了解决这个问题，研究人员实施了一种称为“模仿学习”的方法。但是，它有其局限性。

“想象一下，你需要演示30,000个马克杯让机器人捡起任何马克杯。相反，我更喜欢演示一个马克杯，并教机器人了解它可以捡起任何颜色的马克杯，”Peng说。

为此，团队的系统确定了对象的哪些属性对于任务至关重要（例如马克杯的形状），哪些不重要（例如马克杯的颜色）。拥有这些信息后，它会生成合成数据，改变“非必需”的视觉元素，从而优化机器人的学习过程。

连接人类推理与机器人逻辑

为了衡量该框架的有效性，研究人员进行了一项涉及人类用户的测试。参与者被要求判断该系统的反事实解释是否增强了他们对机器人任务性能的理解。

Peng说，“我们发现人类天生擅长这种反事实推理。这正是使我们能够将人类推理无缝地转化为机器人逻辑的反事实元素。”

在多次模拟中，机器人始终以他们的方法学习得更快，超越了其他技术，并且需要的用户演示更少。

展望未来，该团队计划在实际机器人上实施这一框架，并致力于通过生成式机器学习模型缩短数据生成时间。这一突破性方法有可能改变机器人学习轨迹，为机器人在日常生活中和谐共存铺平道路。