Velocizzare l’apprendimento di un braccio robotico

Alcuni ricercatori di Princeton hanno scoperto che le descrizioni degli strumenti in linguaggio umano possono accelerare l’apprendimento di un braccio robotico simulato che si solleva e utilizza una varietà di strumenti.

I risultati si basano sull’evidenza che fornire maggiori informazioni e dettagli durante l’addestramento all’intelligenza artificiale può rendere i robot autonomi e più adattivi alle nuove situazioni, migliorandone la sicurezza e l’efficacia.

L’aggiunta di descrizioni della forma e della funzione di uno strumento al processo di addestramento ha migliorato la capacità del robot di manipolare strumenti appena incontrati che non erano nel set di addestramento originale. 

Un team di ingegneri meccanici e informatici ha presentato il nuovo metodo: Accelerated Learning of Tool Manipulation with LAnguage (o ATLA).

I bracci robotici hanno un grande potenziale per aiutare con compiti ripetitivi o impegnativi, ma addestrare i robot a manipolare gli strumenti in modo efficace è difficile.

Gli strumenti hanno un’ampia varietà di forme e la destrezza e la visione di un robot non possono competere con quelle di un essere umano.

“Informazioni extra sotto forma di linguaggio possono aiutare un robot a imparare a usare gli strumenti più rapidamente“

ha affermato il coautore dello studi0, assistente professore di ingegneria meccanica e aerospaziale a Princeton che guida l’ Intelligent Robot Motion Lab.

Il team ha ottenuto le descrizioni degli strumenti interrogando GPT-3, un modello di linguaggio di grandi dimensioni rilasciato da OpenAI nel 2020 che utilizza una forma di intelligenza artificiale chiamata deep learning per generare testo in risposta a un prompt. 

Per i loro esperimenti di apprendimento robotico simulato, il team ha selezionato un set di addestramento di 27 strumenti, che vanno da un’ascia a una spatola. 

Hanno assegnato al braccio robotico quattro diversi compiti: spingere lo strumento, sollevare lo strumento, usarlo per spazzare un cilindro lungo un tavolo o martellare un piolo in un buco. 

Dopo aver sperimentato vari suggerimenti, hanno deciso di utilizzare “Descrivi la [caratteristica] di [nome] in una risposta dettagliata e scientifica”, dove “caratteristica” è selezionata tra “forma”, “geometria” o una tra [“uso comune”, “scopo”] e “nome” descrive lo strumento ad es. “un martello” , ” un paio di tenaglie ”.

Troviamo che l’aggiunta di ” dettagliato e scientifico ” al prompt migliora significativamente la qualità dei testi generati.

I ricercatori hanno sviluppato una suite di politiche utilizzando approcci di apprendimento automatico con e senza informazioni linguistiche, quindi hanno confrontato le prestazioni delle politiche su un set di test separato di nove strumenti con descrizioni accoppiate.

Questo approccio è noto come meta-apprendimento, poiché il robot migliora la sua capacità di apprendere con ogni attività successiva. 

Non si tratta solo di imparare a usare ogni strumento, ma anche di cercare di imparare a comprendere le descrizioni di ciascuno di questi cento diversi strumenti, quindi quando vede il 101esimo strumento è più veloce nell’imparare a usare il nuovo strumento.

I ricercatori hanno misurato il successo del robot nello spingere, sollevare, spazzare e martellare con i nove strumenti di test, confrontando i risultati ottenuti con le politiche che utilizzavano il linguaggio nel processo di apprendimento automatico con quelli che non utilizzavano le informazioni linguistiche. 

Nella maggior parte dei casi, le informazioni linguistiche offrivano vantaggi significativi per la capacità del robot di utilizzare nuovi strumenti.

L’obiettivo generale è far sì che i sistemi robotici, in particolare quelli addestrati utilizzando l’apprendimento automatico, si adattino a nuovi ambienti.

Di seguito il video di visualizzazione dei quattro compiti di manipolazione considerati nella ricerca: spingere, sollevare, spazzare e martellare.

Di seguito il pdf della ricerca completa.