Η εκπαίδευση των ρομπότ στη γνώση των ορίων τους

Η σημασία της κατανόησης των ορίων

Όταν κάποιος σας συμβουλεύει να “γνωρίζετε τα όριά σας”, πιθανότατα εννοεί να κάνετε πράγματα με μέτρο, όπως η άσκηση. Για ένα ρομπότ, όμως, το μότο αυτό σημαίνει να μάθει τους περιορισμούς ή τα όρια μιας συγκεκριμένης εργασίας μέσα στο περιβάλλον του, ώστε να εκτελεί εργασίες με ασφάλεια και ακρίβεια. Για παράδειγμα, σκεφτείτε να ζητήσετε από ένα ρομπότ να καθαρίσει την κουζίνα σας όταν δεν κατανοεί τη φυσική του περιβάλλοντος. Πώς μπορεί το μηχάνημα να δημιουργήσει ένα πρακτικό πολυβήμα σχέδιο για να εξασφαλίσει ότι ο χώρος είναι πεντακάθαρος;

Ο ρόλος των μεγάλων γλωσσικών μοντέλων

Τα Large Language Models (LLMs) μπορούν να πλησιάσουν την επίλυση αυτού του προβλήματος, αλλά αν το μοντέλο εκπαιδεύεται μόνο σε κείμενο, είναι πιθανό να παραλείψει βασικές λεπτομέρειες σχετικά με τους φυσικούς περιορισμούς του ρομπότ, όπως το πόσο μακριά μπορεί να φτάσει ή αν υπάρχουν κοντινά εμπόδια που πρέπει να αποφύγει. Αν βασιστείτε μόνο στα LLMs, είναι πιθανό να καταλήξετε να καθαρίζετε λεκέδες από μακαρόνια από τα πατώματα.

Η καινοτόμος προσέγγιση του MIT

Για να καθοδηγήσουν τα ρομπότ στην εκτέλεση αυτών των ανοιχτών εργασιών, οι ερευνητές του MIT’s Computer Science and Artificial Intelligence Laboratory (CSAIL) χρησιμοποίησαν μοντέλα όρασης για να δουν τι βρίσκεται κοντά στο μηχάνημα και να μοντελοποιήσουν τους περιορισμούς του. Η στρατηγική της ομάδας περιλαμβάνει ένα LLM που σχεδιάζει ένα σχέδιο το οποίο ελέγχεται σε έναν προσομοιωτή για να εξασφαλίσει ότι είναι ασφαλές και ρεαλιστικό. Αν αυτή η ακολουθία ενεργειών δεν είναι εφικτή, το γλωσσικό μοντέλο θα δημιουργήσει ένα νέο σχέδιο, μέχρι να φτάσει σε ένα που το ρομπότ μπορεί να εκτελέσει.

Η μέθοδος PRoC3S

Αυτή η μέθοδος δοκιμής και σφάλματος, που οι ερευνητές αποκαλούν “Planning for Robots via Code for Continuous Constraint Satisfaction” (PRoC3S), δοκιμάζει σχέδια μεγάλης διάρκειας για να εξασφαλίσει ότι ικανοποιούν όλους τους περιορισμούς και επιτρέπει σε ένα ρομπότ να εκτελεί τόσο ποικίλες εργασίες όσο η γραφή μεμονωμένων γραμμάτων, η σχεδίαση ενός αστέρα και η ταξινόμηση και τοποθέτηση μπλοκ σε διαφορετικές θέσεις. Στο μέλλον, το PRoC3S θα μπορούσε να βοηθήσει τα ρομπότ να ολοκληρώνουν πιο περίπλοκες εργασίες σε δυναμικά περιβάλλοντα, όπως τα σπίτια, όπου μπορεί να τους ζητηθεί να εκτελέσουν μια γενική εργασία που αποτελείται από πολλά βήματα (όπως “φτιάξε μου πρωινό”).

Η συνεργασία LLMs και κλασικών συστημάτων ρομποτικής

«Τα LLMs και τα κλασικά συστήματα ρομποτικής, όπως οι σχεδιαστές εργασιών και κινήσεων, δεν μπορούν να εκτελέσουν αυτού του είδους τις εργασίες από μόνα τους, αλλά μαζί, η συνέργειά τους καθιστά δυνατή την επίλυση ανοιχτών προβλημάτων», λέει ο διδακτορικός φοιτητής Nishanth Kumar SM ’24, συν-συγγραφέας μιας νέας εργασίας για το PRoC3S. «Δημιουργούμε μια προσομοίωση σε πραγματικό χρόνο του τι βρίσκεται γύρω από το ρομπότ και δοκιμάζουμε πολλά πιθανά σχέδια δράσης. Τα μοντέλα όρασης μας βοηθούν να δημιουργήσουμε έναν πολύ ρεαλιστικό ψηφιακό κόσμο που επιτρέπει στο ρομπότ να σκέφτεται εφικτές ενέργειες για κάθε βήμα ενός σχεδίου μεγάλης διάρκειας».

Αποτελέσματα και πρακτική εφαρμογή

Η εργασία της ομάδας παρουσιάστηκε τον περασμένο μήνα σε μια εργασία που παρουσιάστηκε στο Συνέδριο για τη Μάθηση Ρομπότ (CoRL) στο Μόναχο, Γερμανία. Η μέθοδος των ερευνητών χρησιμοποιεί ένα LLM που έχει προεκπαιδευτεί σε κείμενο από όλο το διαδίκτυο. Πριν ζητήσουν από το PRoC3S να εκτελέσει μια εργασία, η ομάδα παρείχε στο γλωσσικό μοντέλο ένα δείγμα εργασίας (όπως η σχεδίαση ενός τετραγώνου) που σχετίζεται με την επιθυμητή (όπως η σχεδίαση ενός αστέρα). Το δείγμα εργασίας περιλαμβάνει μια περιγραφή της δραστηριότητας, ένα σχέδιο μεγάλης διάρκειας και σχετικές λεπτομέρειες για το περιβάλλον του ρομπότ.

Επιτυχίες και συγκρίσεις

Αλλά πώς τα πήγαν αυτά τα σχέδια στην πράξη; Σε προσομοιώσεις, το PRoC3S σχεδίασε επιτυχώς αστέρια και γράμματα οκτώ στις δέκα φορές. Μπορούσε επίσης να στοιβάζει ψηφιακά μπλοκ σε πυραμίδες και γραμμές, και να τοποθετεί αντικείμενα με ακρίβεια, όπως φρούτα σε ένα πιάτο. Σε όλες αυτές τις ψηφιακές επιδείξεις, η μέθοδος του CSAIL ολοκλήρωσε την ζητούμενη εργασία πιο συνεπώς από συγκρίσιμες προσεγγίσεις όπως το “LLM3” και το “Code as Policies”.

Από τη θεωρία στην πράξη

Οι μηχανικοί του CSAIL έφεραν στη συνέχεια την προσέγγισή τους στον πραγματικό κόσμο. Η μέθοδος τους ανέπτυξε και εκτέλεσε σχέδια σε έναν ρομποτικό βραχίονα, διδάσκοντάς τον να τοποθετεί μπλοκ σε ευθείες γραμμές. Το PRoC3S επέτρεψε επίσης στο μηχάνημα να τοποθετεί μπλε και κόκκινα μπλοκ σε αντίστοιχα μπολ και να μετακινεί όλα τα αντικείμενα κοντά στο κέντρο ενός τραπεζιού.

Η ασφάλεια και η αξιοπιστία των σχεδίων

Ο Kumar και ο συν-συγγραφέας Aidan Curtis SM ’23, που είναι επίσης διδακτορικός φοιτητής στο CSAIL, λένε ότι αυτά τα ευρήματα δείχνουν πώς ένα LLM μπορεί να αναπτύξει ασφαλέστερα σχέδια που οι άνθρωποι μπορούν να εμπιστευτούν για να λειτουργήσουν στην πράξη. Οι ερευνητές οραματίζονται ένα οικιακό ρομπότ που μπορεί να λάβει μια πιο γενική εντολή (όπως «φέρε μου πατατάκια») και να καθορίσει αξιόπιστα τα συγκεκριμένα βήματα που απαιτούνται για την εκτέλεσή της. Το PRoC3S θα μπορούσε να βοηθήσει ένα ρομπότ να δοκιμάσει σχέδια σε ένα πανομοιότυπο ψηφιακό περιβάλλον για να βρει μια λειτουργική πορεία δράσης — και το πιο σημαντικό, να σας φέρει ένα νόστιμο σνακ.

Μελλοντικές προοπτικές

Για μελλοντική εργασία, οι ερευνητές στοχεύουν να βελτιώσουν τα αποτελέ