ИИ «очеловечивает» бытовых роботов и делает их эффективнее
Бытовые роботы могут значительно упростить нашу жизнь. Но прежде чем доверить им ведение хозяйства, нужно убедиться в их умении адаптироваться к конкретным условиям. Над улучшением этого навыка работают исследователи Массачусетского технологического института (МТИ).
Ученые из Лаборатории компьютерных наук и искусственного интеллекта МТИ использовали машинное обучение для того, чтобы помочь бытовым роботам рационально организовать процесс планирования и выполнения задач. Ведущий автор исследования, аспирант МТИ Чжутиан Ян совместно с командой разработала PIGINet – систему совершенствования возможностей роботов по решению проблем, возникающих в процессе выполнения заданий.
Производители обучают бытовых роботов базовым действиям: открыть холодильник, достать определенные продукты, включить воду и др. С этими задачами он справляется безупречно, но нужно помнить, что схема будет работать идеально только на тестовой кухне. Прибыв на новое место жительства, робот может столкнуться со множеством препятствий, преодоление которых требует нового обучения и, соответственно, времени.
Поскольку дома у всех разные, роботы должны уметь решать проблемы, а не просто следовать рецептам. Наша ключевая идея состоит в том, чтобы позволить планировщику задач общего назначения генерировать потенциальные идеи для их выполнения и использовать модель глубокого обучения для выбора наиболее перспективных планов. В результате получился более эффективный, адаптируемый и практичный бытовой робот, способный ловко перемещаться даже в сложных и динамичных условиях. Более того, практическое применение PIGINet не ограничивается домохозяйствами— комментирует исследование Чжутиан Ян.
PIGINet – это нейронная сеть, компонентами которой являются планы, изображения, цель и исходные факты (Plans, Images, Goal, and Initial facts). Она обрабатывает всю перечисленную информацию и оценивает необходимость уточнения плана выполнения задачи для последующей разработки возможных тактик движения.
PIGINet помогает бытовым роботам бороться с препятствиями Источник: Alex Shipps/CSAIL
PIGINet работает на базе кодера-трансформера, обрабатывающего исходные данные и генерирующего прогноз в отношении результата выполнения выбранного плана. При обучении системы базовым 300-500 задачам исследователи использовали сотни уникальных моделей сред и задачи, включающие изменение положения объектов.
Оказалось, что при помощи PIGINet бытовые роботы могут выполнять задачи значительно эффективнее: для простых сценариев время планирования сократилось на 80%, для более сложных – на 20-50%. В частности, система помогла им получить представление о пространственном расположении и конфигурации различных объектов, а также улучшила эффективность взаимодействия с незнакомыми ранее предметами.
Внедрение PIGINet в повседневную жизнь может быть полезным для роботов не только в быту, но и в других сферах. Разработка способна избавить их от внутренней дилеммы планировать или двигаться, делая механических компаньонов более быстрыми и продуктивными. Исследователи отмечают, что создание PIGINet – только первый шаг в таком перспективном направлении, как разработка способов борьбы с невыполнимыми для роботов планами задач.
Наша будущая цель — доработать PIGINet и предлагать альтернативные варианты выполнения задач после обнаружения невыполнимых действий. Это еще больше ускорит создание эффективных стратегий без использования больших наборов данных для обучения планировщика общего назначения с нуля, — говорит Ян.
