Исследователи научили робота под названием Мобильная АЛОХА (аббревиатура от «недорогая аппаратная система телеуправления с открытым исходным кодом для двуручного управления»), семь различных задач, требующих различных навыков мобильности и ловкости, таких как ополаскивание кастрюли или подача кому-либо «дай пять».
Например, чтобы научить робота готовить креветки, исследователи дистанционно управляли им 20 раз, чтобы положить креветки на план, перевернуть их и затем подать на стол. «Каждый раз они делали это немного по-разному, поэтому робот научился разным способам выполнения одной и той же задачи», — говорит Зипэн Фу, аспирант Стэнфорда, который был соруководителем проекта.
Затем робот был обучен этим демонстрациям, а также другим демонстрациям, управляемым человеком, для выполнения различных типов задач, не имеющих ничего общего с приготовлением креветок, таких как отрывание бумажного полотенца или ленты, собранной ранее Робот АЛОХА без колес.«, — говорит Челси Финн, доцент Стэнфордского университета, которая была консультантом проекта. Такой подход «совместного обучения», при котором объединяются новые и старые данные, помог Mobile ALOHA относительно быстро освоить новые профессии по сравнению с обычным подходом обучения систем ИИ на тысячах, если не миллионах примеров. По словам Финна, на основе этих старых данных робот смог освоить новые навыки, которые не имели никакого отношения к поставленной задаче.
Хотя подобные домашние задачи несложны для людей (по крайней мере, когда у нас есть для них настроение), роботам они по-прежнему очень сложны. Им трудно захватывать, хватать и манипулировать объектами, потому что им не хватает точности, координации и понимания окружающей среды, которыми от природы обладают люди. Однако недавние попытки применить методы искусственного интеллекта к робототехнике показали многообещающие возможности открытия новых возможностей. Например, Google Система РТ-2 объединяет модель языкового зрения с роботом, который позволяет людям давать ему словесные команды.
«Одна из вещей, которая действительно интересна, заключается в том, что этот рецепт имитационного обучения очень общий. Это очень просто. Это очень масштабируемо», — говорит Финн. По ее словам, сбор большего количества данных для роботов, которые они смогут подражать, может позволить им выполнять еще больше кухонных задач.
«Мобильная ALOHA продемонстрировала нечто уникальное: относительно дешевое роботизированное оборудование может решать действительно сложные проблемы», — говорит Леррел Пинто, доцент кафедры информатики Нью-Йоркского университета, не принимавший участия в исследовании.
Mobile ALOHA показывает, что аппаратное обеспечение роботов уже очень способно, и подчеркивает, что ИИ — это недостающий элемент в создании более полезных роботов, добавляет Дипак Патак, доцент Университета Карнеги-Меллон, который также не входил в исследовательскую группу.
Пинто говорит, что модель также показывает, что данные обучения робототехники можно передавать: обучение одной задаче может улучшить ее производительность при выполнении других. «Это очень желательное свойство, поскольку увеличение объема данных, даже если оно не обязательно связано с важной для вас задачей, может повысить производительность вашего робота», — говорит он.
Затем команда из Стэнфорда собирается обучить робота на большем количестве данных выполнять еще более сложные задачи, такие как сбор и складывание скомканного белья, говорит Тони З. Чжао, аспирант Стэнфорда, который был частью команды. Стирка традиционно была для роботов очень трудной задачей, поскольку предметы сгруппированы в формы, которые им сложно понять. Но Чжао говорит, что их технология поможет машинам решать задачи, которые раньше люди считали невозможными.