Istraživači pomažu robotima da razmišljaju unaprijed

Nova metoda koju su razvili istraživači s MIT-a omogućuje robotima da bolje razmišljaju unaprijed dok djeluju, što dovodi do glađih pokreta i bržih reakcija.

Ova tehnika omogućuje modelu umjetne inteligencije koji planira kretanje robota da predvidi njegov budući položaj, a model koristi ovo predviđanje za besprijekorno pretvaranje trenutnih kretnji u sljedeće radnje.

Mnoge postojeće metode uzrokuju da se robot zaustavi i razmisli što treba sljedeće učiniti, što dovodi do sporih i trzavih pokreta. Temeljeći svoje izračune na budućem stanju robota, a ne na njegovom trenutnom položaju, MIT metoda pomaže robotima da rade mnogo brže, kao što možete vidjeti na primjeru slaganja odjeće konvencionalnom i VLASH metodom u ovom videu.

Važno je napomenuti da tehnika ne dodaje nikakve računalne troškove procesu planiranja i može se primijeniti na različitu robotsku opremu.

Ova nova metoda udvostručila je brzinu robota koji obavljaju aktivnosti poput zadataka premještanja, a istovremeno značajno smanjila vrijeme kašnjenja između pokreta. Također je poboljšala performanse robotskih ruku u vrlo dinamičnim aktivnostima, poput igranja stolnog tenisa i igre "Udari krticu".

Sustav bi mogao biti posebno koristan za robote koji izvode brze i agilne manevre u izazovnim stvarnim okruženjima, poput hitnih intervencija ili potrage i spašavanja. Također bi mogao omogućiti robotima bržu reakciju prilikom oporavka od pogrešaka.

„Ovaj rad postavlja dobre temelje za učinkovite, brze, ubrzane i jeftine robotske primjene. Radujemo se proširenju našeg rada na najnovije modele svjetskog djelovanja, kako bi imao još jače mogućnosti dok nastavljamo gurati fizičku umjetnu inteligenciju bržu“, kaže Song Han, izvanredni profesor na MIT-ovom odjelu za elektrotehniku ​​i računarstvo (EECS), član Istraživačkog laboratorija za elektroniku i glavni autor rada o ovoj metodi. 

Istraživači s MIT-a razvili su novi sustav pod nazivom VLASH koji omogućuje predviđanje budućeg stanja robota i njegovog okruženja. Koristi te informacije za planiranje sljedećeg skupa pokreta dok robot dovršava trenutni dio akcije.

Ovo rješava veliku prepreku s kojom se suočavaju mnoge druge metode, koje koriste trenutno stanje robota za predviđanje njegovih sljedećih poteza.

„Budući da će se okolina promijeniti nakon što se robot pomakne, ako planiramo na temelju zastarjelih opažanja trenutnog okruženja, doći će do neusklađenosti koja uzrokuje vrlo nestabilnu kontrolu“, objašnjava Tang.

VLASH izbjegava ovu neusklađenost zahvaljujući ključnom uvidu istraživača. Iako model ne zna točno kako će okolina izgledati u budućnosti, zna trenutni položaj robota i kako će se kretati kako bi izvršio radnje koje će poduzeti.

Okvir koristi ove informacije za predviđanje stanja robota nakon što završi svoj trenutni niz radnji. Tu procjenu koristi za planiranje sljedećih pokreta.

Sama po sebi, ova tehnika ubrzava kretanje robota uklanjanjem vremena kašnjenja koje se obično javlja između dijelova akcije, ubrzavajući brzinu reakcije više od 30 puta.

No kako bi njihov pristup bio još brži, istraživači MIT-a generiraju grublje dijelove radnji, pa robot izvršava nekoliko većih koraka koji slijede istu putanju. Ova tehnika naziva se kvantizacija radnji.

Međutim, istraživači su otkrili da samo dostavljanje budućih stanja robota VLA-i tijekom raspoređivanja nije dovoljno za omogućavanje točne i stabilne kontrole robota.

Stoga su razvili metodu proširenja obuke koja grupira podatke za obuku na takav način da sustav uči koristiti informacije o budućem stanju umjesto trenutnih opažanja.

Ponovnom upotrebom nekih podataka za obuku, ova metoda finog podešavanja ubrzala je obuku pet puta bez dodatnih računalnih troškova.

„Iako u pozadini radi vrlo velik model, VLASH omogućuje robotu da reagira i izvršava svoje radnje vrlo brzo, mnogo više kao što bi to učinio čovjek. To bi moglo pomoći da roboti za sve vrste dinamičkih zadataka budu učinkovitiji“, kaže Tang.

U usporedbi s osnovnim metodama u simulaciji, VLASH je dosljedno radio brže uz održavanje točnosti robotskih manevara. Sustav je također nadmašio ove metode na stvarnoj opremi u zadacima odabira i postavljanja, slaganja i sortiranja. 

U budućnosti, istraživači žele kombinirati VLASH s moćnijim generativnim AI sustavima nazvanim modeli svijeta koji mogu predvidjeti stvarna opažanja robota o okolišu, u nastojanju da poboljšaju performanse i otvore nove primjene.

Istraživački rad znanstvenika MIT-a možete pronaći na ovoj poveznici.