MIT CSAIL разрабатывает ИИ для ускорения планирования задач для бытовых роботов

Исследователи из Компьютерной лаборатории и лаборатории искусственного интеллекта (CSAIL) Массачусетского технологического института (MIT) достигли значительного прорыва в разработке PIGINet — системы ИИ, предназначенной для улучшения способности к решению проблем бытовых роботов. Используя машинное обучение и трансформер-кодировщик, PIGINet упрощает процесс планирования задач, сокращая время планирования на 50–80% в различных сценариях. Способность модели эффективно ориентироваться в сложных средах с подвижными препятствиями делает ее практичным и адаптивным решением для бытовых задач.

Проблема планирования задач для бытовых роботов

Бытовые роботы часто сталкиваются с множеством потенциальных действий при выполнении задач, что приводит к неэффективным и длительным процессам планирования. Традиционные подходы включают итеративное уточнение планов задач до нахождения жизнеспособного решения. Однако этот метод становится все более громоздким при наличии подвижных и сочлененных препятствий. MIT CSAIL стремился революционизировать этот процесс с помощью разработки PIGINet.

PIGINet — это нейронная сеть, предназначенная для повышения эффективности планирования задач для бытовых роботов. Она использует трансформер-кодировщик, универсальную модель, работающую с последовательностями данных, для обработки информации о плане задачи, изображениях окружающей среды и символических кодировках начального и желаемого состояний. Предсказывая вероятность того, что план задачи приведет к выполнимым планам движения, PIGINet значительно сокращает время планирования.

Оптимизация планирования задач

Исследователи создали сотни смоделированных сред с различными планировками и конкретными задачами, включающими перемещение объектов между столешницами, холодильниками, шкафами, раковинами и кастрюлями. PIGINet был протестирован по сравнению с предыдущими методами, и результаты оказались впечатляющими. Он сократил время планирования на 80% в более простых сценариях и на 20–50% в более сложных ситуациях, требующих более длинных последовательностей планов и меньшего объема обучающих данных.

Гибкое решение проблем с использованием мультимодальных вложений

Использование PIGINet мультимодальных вложений во входной последовательности позволило лучше понять сложные геометрические отношения. Модель понимала пространственные расположения и конфигурации объектов с помощью данных изображений, не полагаясь на 3D-меш-модели объектов для точной проверки столкновений. Это обеспечило быстрое принятие решений в различных средах.

Решение проблем с данными

В ходе разработки PIGINet одной из основных проблем была нехватка качественных обучающих данных. Выполнимые и невыполнимые планы должны были генерироваться традиционными планировщиками, что было медленным процессом. Исследователи преодолели это препятствие, используя предварительно обученные модели визуального языка и методы аугментации данных. Модель продемонстрировала впечатляющее сокращение времени планирования даже в сценариях с ранее невиданными объектами.

Видение команды в отношении бытовых роботов заключается в том, чтобы иметь адаптивных решателей проблем, а не просто исполнителей рецептов. Универсальный планировщик задач PIGINet генерирует кандидаты на планы задач, а модель глубокого обучения выбирает наиболее перспективные из них. В результате получается более эффективный и практичный бытовой робот, который может ловко ориентироваться в сложных и динамичных средах.

Будущие цели и выход за пределы домашнего использования

Исследователи планируют доработать PIGINet для предложения альтернативных планов задач после выявления невыполнимых действий, что еще больше ускорит генерацию выполнимых планов задач без необходимости в больших наборах данных. Этот революционный подход к обучению и применению роботов может выйти за пределы домашнего использования, открывая новые возможности в различных областях.

С разработкой PIGINet MIT CSAIL расширил возможности бытовых роботов, значительно сократив время планирования и улучшив адаптивность в сложных средах. Используя машинное обучение и мультимодальные вложения, PIGINet предлагает эффективное и надежное решение для многих проблем. Его потенциал революционизировать обучение и развертывание роботов делает его ключевым нововведением в робототехнике общего назначения.