Присоединяйтесь к нашим ежедневным и еженедельным информационным бюллетеням для последних обновлений и эксклюзивного контента в лидирующем отраслевом освещении искусственного интеллекта. Узнать больше
Новая система ИИ, разработанная исследователями из Стэнфордского университета, делает впечатляющие прорывы в обучении мобильных роботов, которые могут выполнять сложные задачи в разных средах.
Названный Mobile Aloha (недорогая аппаратная система с открытым исходным кодом для бимануальной телеоперации) Система решает высокие затраты и технические проблемы обучения мобильных бимануальных роботов, которые требуют тщательного руководства от операторов человека.
Это стоит часть готовых систем и может учиться из 50 человеческих демонстраций.
Эта новая система поступает на фоне ускорения в робототехнике, частично включенной в успех генеративных моделей.
Ограничения текущих робототехнических систем
Большинство задач манипуляции с роботизированием фокусируются на манипуляциях на столе. Это включает в себя недавнюю волну моделей, которые были построены на основе трансформаторов и диффузионных моделей, архитектуры широко используются в генеративном ИИ.
Тем не менее, многим из этих моделей не хватает мобильности и ловкости, необходимых для в целом полезных задач. Многие задачи в повседневной среде требуют координации мобильности и ловких способностей манипуляции.
«С дополнительной степенью свободы взаимодействие между руками и базовыми действиями может быть сложным, и небольшое отклонение в базовой позе может привести к большим дрейфам в позе конечных действий руки»,-пишут в своей статье, исследователи из Стэнфорда не привели к тому, что предыдущие работы не выставляли «практическое и убедительное решение для двойственных мобильных маний, оба из жестких работ».
Мобильный алоха
Новая система, разработанная Стэнфордскими исследователями, строится на вершине Aloha, недорогой и системы телеоптация всего тела для сбора данных двойственных мобильных манипуляций.
Человеческий оператор демонстрирует задачи, манипулируя руками робота через телеоперационный контроль. Система захватывает демонстрационные данные и использует их для обучения системы управления посредством сквозного имитационного обучения.
Mobile Aloha расширяет систему, устанавливая ее на колесной основе. Он предназначен для обеспечения экономически эффективного решения для обучения роботизированных систем. Вся установка, которая включает в себя веб-камеры и ноутбук с графическим процессором потребительского уровня, стоит около 32 000 долларов, что намного дешевле, чем готовые двойные роботы, которые могут стоить до 200 000 долларов.
Мобильная конфигурация Aloha (источник: arxiv)
Mobile Aloha предназначен для одновременного телеоперации со всеми степенями свободы. Оператор человека привязан к системе талией и управляет ее вокруг рабочей среды, работая при управлении руками контроллерами. Это позволяет системе управления роботами одновременно изучать движение и другие команды управления. Как только он собирает достаточно информации, модель может повторить последовательность задач автономно.
Система телеоперации способна на несколько часов последовательного использования. Результаты впечатляют и показывают, что простой тренировочный рецепт позволяет системе изучать сложные задачи мобильных манипуляций.
Демо, показывают обученный робот, готовящий блюдо из трех блюд с деликатными задачами, такими как разбивая яйца, миновой чеснок, наличие жидкости, распаковывание овощей и переворачивание курицы на сковороде.
Mobile Aloha также может выполнять различные задачи по хранению дома, в том числе водопольные растения, использование вакуума, погрузку и разгрузку посудомоечной машины, получение напитков из холодильника, открытие двери и эксплуатационные стиральные машины
Имитационное обучение и совместное обучение
Как и во многих недавних работах в робототехнике, Mobile Aloha использует трансформаторы, архитектуру, используемую в моделях крупных языков. Оригинальная система Aloha использовала архитектуру, называемую действием, Chunking с трансформаторами (ACT), которая снимает изображения с нескольких точек зрения и положения соединений в качестве входных данных и предсказывает последовательность действий.
Действие Чункинг с трансформаторами (ACT) (Источник: Веб -страница Aloha)
Mobile Aloha расширяет эту систему, добавляя сигналы движения к входному вектору. Эта формулировка позволяет Mobile Aloha повторно использовать предыдущие алгоритмы обучения глубокому имитации с минимальными изменениями.
«Мы наблюдаем, что просто объединение действий базы и рук, а затем обучение посредством прямого имитационного обучения может привести к сильной производительности», — пишут исследователи. «В частности, мы объединяем 14-до подставки Aloha с линейной и угловой скоростью мобильного основания, образуя 16-мерный вектор действия».
Работа также выигрывает от успеха недавних методов, которые предварительно обучают модели на различных наборах данных роботов из других проектов. Следует отметить, что RT-X, проект DeepMind и 33 исследовательских учреждений, который объединил несколько наборов данных о робототехнике для создания систем управления, которые могли бы обобщить намного больше данных обучения и морфологии роботов.
«Несмотря на различия в задачах и морфологии, мы наблюдаем положительную передачу почти во всех задачах манипуляции с подвижными мобильными средствами, достигая эквивалентной или лучшей эффективности производительности и эффективности данных, чем политики, обученные с использованием только мобильных данных Aloha», — пишут исследователи.
Использование существующих данных позволило исследователям обучать мобильную Aloha для сложных задач с очень небольшими демонстрациями человека
«С помощью совместного обучения мы можем добиться более 80% успеха в этих задачах с только 50 человеческими демонстрациями на задачу, в среднем на 34% абсолютное улучшение по сравнению с отсутствием совместного обучения»,-пишут исследователи.
Не готовый к производству
Несмотря на впечатляющие результаты, у мобильного Aloha есть недостатки. Например, его объемность и громоздкий форм -фактор не делают его подходящим для тесных сред.
В будущем исследователи планируют улучшить систему, добавив больше степеней свободы и уменьшив объем робота.
Стоит также отметить, что это не полностью автономная система, которая может научиться изучать новые среды самостоятельно. Это по-прежнему требует полных демонстраций человеческих операторов в окружающей среде, хотя он изучает задачи с меньшим количеством примеров, чем предыдущие методы, благодаря своей системе совместного обучения.
Исследователи изучат изменения в модели искусственного интеллекта, которые позволили бы роботу самостоятельно заполнить и приобрести новые знания.
Учитывая недавнюю тенденцию систем управления ИИ обучения в разных наборах данных и морфологии, эта работа может дополнительно ускорить разработку универсальных мобильных роботов. И в идеале привести к полезным роботам по предприятию и потребителям, которые быстро нагреваются благодаря работе других исследователей и таких компаний, как Tesla, с его все еще в разработке Humanoid Robot и Hyundai с его динамическим подразделением Boston, которое предлагает роботизированное место для собак на продажу примерно в 74 000 долларов США.
Источник
