Az MIT kutatói kifejlesztették a PIGINet nevű új rendszert, amelynek célja a háztartási robotok problémamegoldó képességének hatékony növelése, illetve a tervezési idő 50-80 százalékos csökkentése.
Normál körülmények között a háztartási robotok előre meghatározott recepteket követnek a feladatok elvégzéséhez, ami nem mindig megfelelő a változatos vagy változó környezetekben. Az MIT által leírt PIGINet egy neurális hálózat, amely „terveket, képeket, célt és kezdeti tényeket” vesz fel, majd megjósolja annak valószínűségét, hogy egy feladatterv finomítható a megvalósítható mozgástervek megtalálásához.
A csapat értékelte, hogy az új rendszer mennyire képes segíteni egy robot működését például a konyhában. A PIGINet segítségével a feladatok megoldásához szükséges időt 80 százalékkal csökkentette egyszerűbb forgatókönyvek esetén, és 20-50 százalékkal a bonyolultabb forgatókönyvek esetén.
Az olyan rendszerek, mint a PIGINet, amelyek az adatvezérelt módszerek erejét használják az ismerős esetek hatékony kezelésére, de a tanuláson alapuló javaslatok ellenőrzésére és az újszerű problémák megoldására még mindig vissza tudnak támaszkodni az „első elvi” tervezési módszerekre, mindkét világ legjobbját kínálják, megbízható és hatékony megoldásokat nyújtva a legkülönbözőbb problémákra – mondta Leslie Pack Kaelbling, az MIT professzora és a CSAIL vezető kutatója.
A kutatók előzetesen betanított látásnyelvi modelleket és adatnagyobbítási trükköket is alkalmaztak, hogy kezeljék a háztartási robotok adatainak hiányát.
„Mivel mindenki otthona más és más, a robotoknak alkalmazkodó problémamegoldóknak kell lenniük. Kulcsötletünk az, hogy egy általános célú feladattervező generáljon feladatterveket, és egy mély tanulási modell segítségével válassza ki az ígéreteseket. Az eredmény egy hatékonyabb, alkalmazkodóképesebb és praktikusabb háztartási robot, amely még az összetett és dinamikus környezetekben is fürgén navigál. Ráadásul a PIGINet gyakorlati alkalmazásai nem korlátozódnak a háztartásokra” – mondta Zhutian Yang, az MIT CSAIL PhD-hallgatója és a munka vezető szerzője.
„A jövőbeni célunk a PIGINet továbbfejlesztése, hogy a megvalósíthatatlan tevékenységek azonosítása után alternatív feladatterveket javasoljon, ami tovább gyorsítja a megvalósítható feladattervek generálását anélkül, hogy nagy adathalmazokra lenne szükség egy általános célú tervező nulláról való kiképzéséhez. Úgy véljük, hogy ez forradalmasíthatja a robotok fejlesztések során történő betanítását, majd alkalmazását mindenki otthonában.”
„Ez a tanulmány az általános célú robotok megvalósításának alapvető kihívásával foglalkozik: hogyan tanuljunk a múltbeli tapasztalatokból, hogy felgyorsítsuk a döntéshozatali folyamatot az akadályokkal teli, strukturálatlan környezetben” – mondta a közleményben Beomjoon Kim PhD ’20, a Korea Advanced Institute of Science and Technology (KAIST) mesterséges intelligencia doktori iskolájának oktatója.