Mentre gran parte della copertura della robotica umanoide si è concentrata comprensibilmente sulla progettazione hardware, è importante prestare altrettanta attenzione agli aspetti software e di intelligenza artificiale che alimentano queste piattaforme. Il salto verso sistemi più generalizzati rispetto ai precedenti sistemi a scopo singolo sarà una grande sfida, ma i recenti progressi nell’intelligenza artificiale generativa stanno aprendo nuove strade.
La capacità di sfruttare appieno l’ampia gamma di movimenti consentiti dalla progettazione bipede umanoide è stata a lungo un obiettivo chiave per i ricercatori. L’utilizzo dell’AI generativa in robotica è diventato un argomento di grande attualità, con nuove ricerche provenienti dal MIT che indicano come questo possa influenzare profondamente il campo.
Le sfide dell’addestramento per sistemi a scopo generale
Uno dei maggiori ostacoli sulla strada verso sistemi a scopo generale è l’addestramento. Abbiamo una solida comprensione delle migliori pratiche per addestrare gli esseri umani a svolgere diversi lavori, ma gli approcci alla robotica, pur promettenti, sono ancora frammentati. Ci sono molti metodi interessanti, come l’apprendimento per rinforzo e l’apprendimento per imitazione, ma le soluzioni future probabilmente comporteranno combinazioni di questi metodi, integrate da modelli di AI generativa.
Affrontare la frammentazione dei dati di addestramento
Una delle principali sfide nell’addestramento di sistemi robotici a scopo generale è la frammentazione dei dati di addestramento, ovvero la mancanza di grandi dataset completi che coprano una vasta gamma di attività. I ricercatori del MIT hanno proposto un approccio innovativo, denominato “policy composition” (PoCo), che mira a superare questa limitazione.
Combinare le policy per ottenere il meglio di entrambi i mondi
Il metodo PoCo consiste nell’addestrare modelli di diffusione separati per imparare una strategia, o policy, per completare un singolo compito utilizzando un dataset specifico. Successivamente, queste policy vengono combinate in una policy generale che consente al robot di eseguire più attività in vari contesti.
Secondo il MIT, l’incorporazione di modelli di diffusione ha migliorato le prestazioni delle attività del 20%. Ciò include la capacità di eseguire attività che richiedono l’utilizzo di più strumenti, nonché l’apprendimento e l’adattamento a compiti sconosciuti. Il sistema è in grado di combinare le informazioni pertinenti provenienti da diversi dataset in una sequenza di azioni necessarie per eseguire un’attività.
Verso sistemi robotici a scopo generale
L’obiettivo di questo lavoro specifico è la creazione di sistemi di intelligenza che consentano ai robot di scambiare diversi strumenti per eseguire attività diverse. La proliferazione di sistemi multiuso porterebbe l’industria un passo più vicino al sogno di sistemi robotici a scopo generale.
Sfruttare i vantaggi di dati reali e simulati
Uno dei vantaggi di questo approccio è la possibilità di combinare le policy per ottenere il meglio di entrambi i mondi. Ad esempio, una policy addestrata su un dataset reale potrebbe avere una buona comprensione di come utilizzare gli strumenti fisici, ma potrebbe mancare di varietà di attività. D’altra parte, una policy addestrata su un ambiente simulato potrebbe avere una vasta gamma di attività, ma potrebbe essere meno abile nell’utilizzo di strumenti fisici. Combinando le due policy, il robot può beneficiare delle competenze acquisite da entrambe le esperienze.
La sfida dell’adattamento ai nuovi compiti
Un’altra sfida nell’addestramento di sistemi a scopo generale è l’adattamento a nuovi compiti. Mentre i sistemi specializzati possono essere addestrati per eseguire un compito specifico in modo eccellente, sono spesso limitati nella loro capacità di adattarsi a compiti diversi. L’utilizzo di modelli di AI generativa può aiutare a superare questa sfida.
Con l’AI generativa, i robot possono imparare a generare nuove sequenze di azioni in base al contesto e al compito specifico. Ciò consente al robot di adattarsi in modo flessibile a nuove situazioni e compiti, aprendo così la strada a sistemi robotici a scopo generale. Ad esempio, se un robot è stato addestrato a utilizzare un cacciavite, utilizzando l’AI generativa può imparare a utilizzare anche un martello o altri strumenti simili.
Implicazioni per il futuro della robotica umanoide
L’utilizzo dell’AI generativa nella robotica umanoide ha il potenziale per rivoluzionare il modo in cui i robot vengono addestrati e utilizzati. Mentre i sistemi a scopo singolo sono ancora ampiamente utilizzati in diversi settori, come l’automazione industriale e la robotica medica, l’obiettivo finale è quello di sviluppare robot che possano eseguire una vasta gamma di attività in modo autonomo.
Ciò apre la porta a una serie di applicazioni interessanti, come robot domestici in grado di svolgere una varietà di compiti domestici, robot di assistenza in grado di fornire supporto agli anziani e robot di soccorso in grado di intervenire in situazioni di emergenza. L’AI generativa sta spingendo i confini della robotica umanoide verso questo obiettivo di sistemi a scopo generale.
Fonte dell’articolo qui.