Ρομποτικοί βοηθοί: Πώς να διορθώσετε τα λάθη τους

Εισαγωγή στη νέα προσέγγιση

Φανταστείτε ένα ρομπότ που σας βοηθάει να πλύνετε τα πιάτα. Ζητάτε από το ρομπότ να πιάσει ένα σαπουνισμένο μπολ από το νεροχύτη, αλλά το χέρι του ρομπότ αστοχεί ελαφρώς. Χάρη σε ένα νέο πλαίσιο που ανέπτυξαν ερευνητές του MIT και της NVIDIA, μπορείτε να διορθώσετε τη συμπεριφορά του ρομπότ με απλές αλληλεπιδράσεις. Αυτή η μέθοδος σας επιτρέπει να δείξετε το μπολ ή να σχεδιάσετε μια τροχιά προς αυτό σε μια οθόνη, ή ακόμα και να δώσετε μια μικρή ώθηση στο χέρι του ρομπότ προς τη σωστή κατεύθυνση.

Η προσέγγιση της άμεσης αλληλεπίδρασης

Σε αντίθεση με άλλες μεθόδους διόρθωσης της συμπεριφοράς των ρομπότ, αυτή η τεχνική δεν απαιτεί από τους χρήστες να συλλέξουν νέα δεδομένα και να επανεκπαιδεύσουν το μοντέλο μηχανικής μάθησης που τροφοδοτεί το “μυαλό” του ρομπότ. Αντίθετα, επιτρέπει στο ρομπότ να χρησιμοποιεί άμεση, διαισθητική ανατροφοδότηση από τον άνθρωπο για να επιλέξει μια εφικτή ακολουθία ενεργειών που πλησιάζει όσο το δυνατόν περισσότερο την πρόθεση του χρήστη.

Αποτελεσματικότητα και εφαρμογές

Όταν οι ερευνητές δοκίμασαν το πλαίσιο τους, το ποσοστό επιτυχίας ήταν 21% υψηλότερο σε σύγκριση με μια εναλλακτική μέθοδο που δεν αξιοποιούσε ανθρώπινες παρεμβάσεις. Μακροπρόθεσμα, αυτό το πλαίσιο θα μπορούσε να επιτρέψει σε έναν χρήστη να καθοδηγήσει πιο εύκολα ένα ρομπότ εκπαιδευμένο σε εργοστάσιο να εκτελεί ποικίλες οικιακές εργασίες, ακόμα κι αν το ρομπότ δεν έχει ξαναδεί το σπίτι ή τα αντικείμενα μέσα σε αυτό.

Η πρόκληση της ευκολίας χρήσης

«Δεν μπορούμε να περιμένουμε από τους απλούς χρήστες να συλλέξουν δεδομένα και να προσαρμόσουν ένα μοντέλο νευρωνικού δικτύου. Ο καταναλωτής θα περιμένει το ρομπότ να λειτουργεί αμέσως και, αν δεν το κάνει, θα θέλει έναν διαισθητικό μηχανισμό για να το προσαρμόσει. Αυτή είναι η πρόκληση που αντιμετωπίσαμε σε αυτή τη δουλειά», λέει ο Felix Yanwei Wang, μεταπτυχιακός φοιτητής ηλεκτρολόγων μηχανικών και επιστήμης υπολογιστών και κύριος συγγραφέας μιας εργασίας πάνω σε αυτή τη μέθοδο.

Η ομάδα πίσω από την έρευνα

Συγγραφείς της εργασίας είναι επίσης οι Lirui Wang PhD ’24 και Yilun Du PhD ’24, η Julie Shah, καθηγήτρια αεροναυτικής και αστροναυτικής στο MIT και διευθύντρια της Ομάδας Διαδραστικής Ρομποτικής στο Εργαστήριο Επιστήμης Υπολογιστών και Τεχνητής Νοημοσύνης (CSAIL), καθώς και οι Balakumar Sundaralingam, Xuning Yang, Yu-Wei Chao, Claudia Perez-D’Arpino PhD ’19, και Dieter Fox της NVIDIA. Η έρευνα θα παρουσιαστεί στο Διεθνές Συνέδριο Ρομπότ και Αυτοματοποίησης.

Αντιμετώπιση της μη ευθυγράμμισης

Πρόσφατα, οι ερευνητές έχουν αρχίσει να χρησιμοποιούν προεκπαιδευμένα γεννητικά μοντέλα AI για να μάθουν μια “πολιτική”, ή ένα σύνολο κανόνων, που ακολουθεί ένα ρομπότ για να ολοκληρώσει μια ενέργεια. Τα γεννητικά μοντέλα μπορούν να λύσουν πολλαπλές σύνθετες εργασίες.

Η εκπαίδευση και οι προκλήσεις της

Κατά τη διάρκεια της εκπαίδευσης, το μοντέλο βλέπει μόνο εφικτές κινήσεις του ρομπότ, έτσι μαθαίνει να δημιουργεί έγκυρες τροχιές για το ρομπότ να ακολουθήσει. Ωστόσο, ενώ αυτές οι τροχιές είναι έγκυρες, αυτό δεν σημαίνει ότι πάντα ευθυγραμμίζονται με την πρόθεση του χρήστη στον πραγματικό κόσμο. Το ρομπότ μπορεί να έχει εκπαιδευτεί να παίρνει κουτιά από ένα ράφι χωρίς να τα ρίχνει, αλλά μπορεί να αποτύχει να φτάσει στο κουτί στην κορυφή ενός ραφιού αν το ράφι είναι προσανατολισμένο διαφορετικά από αυτά που είδε κατά την εκπαίδευση.

Η εναλλακτική προσέγγιση του MIT

Για να ξεπεράσουν αυτές τις αποτυχίες, οι μηχανικοί συνήθως συλλέγουν δεδομένα που δείχνουν τη νέα εργασία και επανεκπαιδεύουν το γεννητικό μοντέλο, μια δαπανηρή και χρονοβόρα διαδικασία που απαιτεί εξειδίκευση στη μηχανική μάθηση. Αντίθετα, οι ερευνητές του MIT θέλησαν να επιτρέψουν στους χρήστες να καθοδηγούν τη συμπεριφορά του ρομπότ κατά την ανάπτυξη όταν κάνει λάθος.

Αλληλεπίδραση χωρίς λάθη

Αλλά αν ένας άνθρωπος αλληλεπιδρά με το ρομπότ για να διορθώσει τη συμπεριφορά του, αυτό θα μπορούσε ακούσια να προκαλέσει στο γεννητικό μοντέλο να επιλέξει μια άκυρη ενέργεια. Μπορεί να φτάσει στο κουτί που θέλει ο χρήστης, αλλά να ρίξει βιβλία από το ράφι στη διαδικασία. «Θέλουμε να επιτρέψουμε στον χρήστη να αλληλεπιδρά με το ρομπότ χωρίς να εισάγει αυτού του είδους τα λάθη, ώστε να έχουμε μια συμπεριφορά που είναι πολύ πιο ευθυγραμμισμένη με την πρόθεση του χρήστη κατά την ανάπτυξη, αλλά που είναι επίσης έγκυρη και εφικτή», λέει ο Wang.

Τρεις τρόποι διόρθωσης

Το πλαίσιο τους επιτυγχάνει αυτό παρέχοντας στον χρήστη τρεις διαισθητικούς τρόπους για να διορθώσει τη συμπεριφορά του ρομπότ, καθένας από τους οποίους προσφέρει συγκεκριμένα πλεονεκτήματα. Πρώτον, ο χρήστης μπορεί να δείξει το αντικείμενο που θέλει το ρομπότ να χειριστεί σε μια διεπαφή που δείχνει την άποψη της κάμερας του ρομπότ. Δεύτερον, μπορεί να σχεδιάσει μια τροχιά σε αυτή τη διεπαφή, επιτρέποντας του να καθορίσει πώς θέλει το ρομπότ να φτάσει στο αντικείμενο. Τρίτον, μπορεί να μετακινήσει φυσικά το χέρι του ρομπότ προς την κατεύθυνση που θέλει να ακολουθήσει.

Η πιο άμεση μέθοδος