Μπορούν τα ρομπότ να μάθουν από τα όνειρα μηχανών;

Η πρόκληση της γενίκευσης στη ρομποτική

Για τους ρομποτικούς, η μεγαλύτερη πρόκληση είναι η γενίκευση — η ικανότητα να δημιουργούν μηχανές που μπορούν να προσαρμόζονται σε οποιοδήποτε περιβάλλον ή συνθήκες. Από τη δεκαετία του 1970, ο τομέας έχει εξελιχθεί από την ανάπτυξη σύνθετων προγραμμάτων στη χρήση του deep learning, διδάσκοντας τα ρομπότ να μαθαίνουν άμεσα από την ανθρώπινη συμπεριφορά. Ωστόσο, ένα κρίσιμο εμπόδιο παραμένει: η ποιότητα των δεδομένων. Για να βελτιωθούν, τα ρομπότ πρέπει να αντιμετωπίσουν σενάρια που ωθούν τα όρια των ικανοτήτων τους, λειτουργώντας στο άκρο της δεξιοτεχνίας τους. Αυτή η διαδικασία παραδοσιακά απαιτεί ανθρώπινη επίβλεψη, με τους χειριστές να προκαλούν προσεκτικά τα ρομπότ για να επεκτείνουν τις δυνατότητές τους. Καθώς τα ρομπότ γίνονται πιο εξελιγμένα, αυτή η προσέγγιση αντιμετωπίζει πρόβλημα κλιμάκωσης: η ζήτηση για υψηλής ποιότητας δεδομένα εκπαίδευσης ξεπερνά κατά πολύ την ικανότητα των ανθρώπων να τα παρέχουν.

Η καινοτομία του LucidSim

Τώρα, μια ομάδα ερευνητών από το MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) έχει αναπτύξει μια νέα προσέγγιση στην εκπαίδευση ρομπότ που θα μπορούσε να επιταχύνει σημαντικά την ανάπτυξη προσαρμόσιμων, ευφυών μηχανών σε πραγματικά περιβάλλοντα. Το νέο σύστημα, ονομάζεται LucidSim, και χρησιμοποιεί πρόσφατες εξελίξεις στη γενετική AI και τους εξομοιωτές φυσικής για να δημιουργήσει ποικίλα και ρεαλιστικά εικονικά περιβάλλοντα εκπαίδευσης, βοηθώντας τα ρομπότ να επιτύχουν επίπεδο ειδικού σε δύσκολες εργασίες χωρίς καθόλου δεδομένα από τον πραγματικό κόσμο.

Η γέφυρα μεταξύ προσομοίωσης και πραγματικότητας

Το LucidSim συνδυάζει προσομοίωση φυσικής με γενετικά μοντέλα AI, αντιμετωπίζοντας μία από τις πιο επίμονες προκλήσεις στη ρομποτική: τη μεταφορά δεξιοτήτων που μαθαίνονται σε προσομοίωση στον πραγματικό κόσμο. «Μια θεμελιώδης πρόκληση στην εκμάθηση ρομπότ ήταν πάντα το ‘sim-to-real gap’ — η διαφορά μεταξύ των περιβαλλόντων εκπαίδευσης σε προσομοίωση και του πολύπλοκου, απρόβλεπτου πραγματικού κόσμου», λέει ο Ge Yang, μεταδιδακτορικός ερευνητής στο MIT CSAIL και κύριος ερευνητής στο LucidSim. «Προηγούμενες προσεγγίσεις συχνά βασίζονταν σε αισθητήρες βάθους, οι οποίοι απλοποιούσαν το πρόβλημα αλλά παρέλειπαν κρίσιμες πολυπλοκότητες του πραγματικού κόσμου».

Η γέννηση μιας ιδέας: Από τα burritos στις καινοτομίες

Η έμπνευση για το LucidSim προήλθε από ένα απροσδόκητο μέρος: μια συζήτηση έξω από το Beantown Taqueria στο Cambridge, Massachusetts. «Θέλαμε να διδάξουμε ρομπότ εξοπλισμένα με όραση πώς να βελτιώνονται χρησιμοποιώντας ανθρώπινη ανατροφοδότηση. Αλλά τότε συνειδητοποιήσαμε ότι δεν είχαμε μια καθαρή πολιτική βασισμένη στην όραση για να ξεκινήσουμε», λέει ο Alan Yu, προπτυχιακός φοιτητής στην ηλεκτρολογία και την επιστήμη των υπολογιστών στο MIT και συν-συγγραφέας του LucidSim. «Συνεχίσαμε να μιλάμε καθώς περπατούσαμε στον δρόμο, και μετά σταματήσαμε έξω από το τακερία για περίπου μισή ώρα. Εκεί είχαμε τη στιγμή μας».

Η δημιουργία δεδομένων μέσω των Dreams In Motion

Για να δημιουργήσουν τα δεδομένα τους, η ομάδα δημιούργησε ρεαλιστικές εικόνες εξάγοντας χάρτες βάθους, που παρέχουν γεωμετρικές πληροφορίες, και μάσκες σημασιολογίας, που επισημαίνουν διαφορετικά μέρη μιας εικόνας, από τη σκηνή προσομοίωσης. Γρήγορα συνειδητοποίησαν, ωστόσο, ότι με αυστηρό έλεγχο στη σύνθεση του περιεχομένου της εικόνας, το μοντέλο θα παρήγαγε παρόμοιες εικόνες που δεν διέφεραν μεταξύ τους χρησιμοποιώντας το ίδιο prompt. Έτσι, επινόησαν έναν τρόπο να αντλούν ποικίλα text prompts από το ChatGPT.

Η δύναμη των Dreams In Motion

Αυτή η προσέγγιση, ωστόσο, παρήγαγε μόνο μία εικόνα. Για να δημιουργήσουν σύντομα, συνεκτικά βίντεο που λειτουργούν ως μικρές «εμπειρίες» για το ρομπότ, οι επιστήμονες συνδύασαν κάποια «μαγεία εικόνας» σε μια άλλη νέα τεχνική που δημιούργησε η ομάδα, ονόματι Dreams In Motion. Το σύστημα υπολογίζει τις κινήσεις κάθε pixel μεταξύ των καρέ, για να παραμορφώσει μια και μόνο παραγόμενη εικόνα σε ένα σύντομο, πολυκαρέ βίντεο. Το Dreams In Motion το επιτυγχάνει αυτό λαμβάνοντας υπόψη τη 3D γεωμετρία της σκηνής και τις σχετικές αλλαγές στην προοπτική του ρομπότ.

Η υπεροχή του LucidSim

«Υπερβαίνουμε την τυχαία παραλλαγή, μια μέθοδο που αναπτύχθηκε το 2017 και εφαρμόζει τυχαία χρώματα και μοτίβα σε αντικείμενα στο περιβάλλον, η οποία εξακολουθεί να θεωρείται η βασική μέθοδος αυτές τις μέρες», λέει ο Yu. «Ενώ αυτή η τεχνική δημιουργεί ποικίλα δεδομένα, της λείπει ο ρεαλισμός. Το LucidSim αντιμετωπίζει τόσο τα προβλήματα ποικιλίας όσο και ρεαλισμού. Είναι συναρπαστικό το γεγονός ότι, ακόμη και χωρίς να δει τον πραγματικό κόσμο κατά την εκπαίδευση, το ρομπότ μπορεί να αναγνωρίσει και να πλοηγηθεί σε εμπόδια σε πραγματικά περιβάλλοντα».

Προοπτικές εφαρμογών του LucidSim

Η ομάδα είναι ιδιαίτερα ενθουσιασμένη για τις δυνατότητες εφαρμογής του LucidSim σε τομείς εκτός της κίνησης τετραπόδων και του parkour, που είναι το κύριο πεδίο δοκιμών τους. Ένα παράδειγμα είναι ο χειρισμός κινητών αντικειμένων, όπου ένα κινητό ρομπότ αναλαμβάνει να χειριστεί αντικείμενα σε ανοιχτό χώρο· επίσης, η αντίληψη χρώματος είναι κρίσιμη. «Σήμερα, αυτά τα ρομπότ εξακολουθούν να μαθαίνουν από επιδείξεις στον πραγματικό κόσμο», λέει ο Yang. «Αν και η συλλογή επιδείξεων είναι εύκολη, η κλιμάκωση μιας ρύθμισης τηλεχειρισμού ρομπότ στον πραγματικό κόσμο σε χιλιάδες δεξιότητες είναι