ШІ додає побутовим роботам людських рис і робить їх ефективнішими
Побутові роботи можуть значно спростити наше життя. Але перш ніж довірити їм господарювання, потрібно переконатися в їхньому вмінні адаптуватися до конкретних умов. Над покращенням цієї навички працюють дослідники Массачусетського технологічного інституту (МТІ).
Вчені з Лабораторії комп'ютерних наук та штучного інтелекту МТІ використали машинне навчання для того, щоб допомогти побутовим роботам раціонально організувати процес планування та виконання завдань. Провідний автор дослідження, аспірант МТІ Чжутіан Ян спільно з командою розробила PIGINet – систему вдосконалення можливостей роботів щодо розв’язання проблем, які виникають у процесі виконання завдань.
Виробники навчають побутових роботів виконувати базові дії: відкрити холодильник, дістати певні продукти, включити воду та ін. З цими завданнями вони справляються бездоганно, але варто пам'ятати, що схема працюватиме ідеально тільки на випробувальній кухні. Прибувши на нове місце проживання, робот може зіткнутися з багатьма перешкодами, подолання яких потребує нового навчання і, відповідно, часу.
Оскільки кожен будинок — інший, роботи повинні вміти розв’язувати проблеми, а не просто дотримуватися запрограмованого алгоритму. Наша ключова ідея полягає в тому, щоб дозволити планувальнику завдань загального призначення генерувати потенційні ідеї для їх виконання та використовувати модель глибокого навчання для вибору найперспективніших варіантів дій. У результаті вийшов більш ефективний, адаптований і практичний побутовий робот, здатний вправно переміщатися навіть у складних і динамічних умовах. Окрім того, практичне застосування PIGINet не обмежується домогосподарствами, — коментує дослідження Чжутіан Ян.
PIGINet — це нейронна мережа, компонентами якої є плани, зображення, ціль та вихідні факти (Plans, Images, Goal, and Initial facts). Вона обробляє всю перераховану інформацію та оцінює необхідність уточнення плану виконання завдання для подальшої розробки можливих тактик руху.
PIGINet допомагає побутовим роботам боротися з перешкодами Джерело: Alex Shipps/CSAIL
PIGINet працює на базі кодера-трансформера, що обробляє вихідні дані та генерує прогноз щодо результату виконання вибраного плану. Після вивчення системою базових 300-500 завдань дослідники використовували сотні унікальних моделей середовищ та завдання зі зміною розміщення об'єктів.
Виявилося, що за допомогою PIGINet побутові роботи можуть виконувати завдання значно ефективніше: для простих сценаріїв час планування скоротився на 80%, а для більш складних — на 20-50%. Зокрема, система допомогла їм отримати уявлення про просторове розташування та конфігурацію різних об'єктів, а також покращила ефективність взаємодії з незнайомими предметами.
Впровадження PIGINet у повсякденне життя може бути корисним для роботів не тільки у побуті, а й в інших сферах. Розробка дає їм можливість справитися з внутрішньою дилемою — планувати або рухатися, роблячи механічних компаньйонів швидшими та продуктивнішими. Дослідники відзначають, що створення PIGINet — лише перший крок у такому перспективному напрямі, як розробка способів боротьби з завданнями, що є нездійсненними для роботів.
Наша майбутня мета — доопрацювати PIGINet та знайти альтернативні варіанти виконання завдань після виявлення нездійсненних дій. Це ще більше прискорить створення ефективних стратегій без використання великих наборів даних для навчання планувальника загального призначення з нуля, — каже Ян.
