MIT의 혁신: 범용 로봇 자동화 훈련의 새 시대 열림
SeoulMIT 연구팀, 로봇에게 여러 작업을 가르치는 것은 다양한 환경에서 잘 작동해야 하기 때문에 어려운 문제입니다. 기존에는 각 로봇과 작업별로 특수한 데이터를 수집하는 방법을 사용했으며, 이것은 시간과 비용이 많이 소모됩니다. 이로 인해 로봇이 새로운 상황에 적응하기가 어려웠습니다. 이러한 문제를 해결하기 위해 MIT 연구진이 새로운 방법을 개발했습니다.
MIT는 다양한 출처에서 얻은 광범위한 데이터를 사용하여 로봇을 훈련시키는 새로운 방법을 개발했습니다. 이 접근 방식은 각 작업에 필요한 특정 데이터를 줄임으로써 로봇 학습 방식을 변화시킬 수 있습니다. 이 시스템은 시뮬레이션 및 실제 로봇 활동과 같은 다양한 영역, 그리고 카메라 이미지와 로봇 팔의 센서와 같은 다양한 유형의 입력 데이터를 조직합니다. 이를 통해 생성 AI 모델이 대량의 정보를 효과적으로 처리할 수 있습니다.
이들의 접근법은 시각 및 고유감각 데이터를 처리하는 이종 사전 학습 변환기 (HPT)를 사용합니다. 이러한 모델은 정보를 쉽게 분석 가능한 형식으로 변환합니다. 초기 훈련을 통해 로봇 학습 시스템은 더 유연해집니다. 시스템은 점점 더 많은 데이터를 처리하면서 강력해지고, 새로운 작업을 수행하기 위해 약간의 특정 데이터만 필요합니다. 이는 상당한 이점을 제공합니다.
- 광범위한 업무별 데이터 수집의 필요성을 줄입니다
- 로봇이 새로운 작업과 환경에 더 잘 적응하게 합니다
- 전체 훈련 효율성과 성능을 20% 이상 향상합니다
MIT의 연구는 미래에 큰 영향을 미칠 수 있습니다. 그들은 다양한 로봇 플랫폼에 쉽게 다운로드할 수 있는 범용 "로봇 두뇌"를 개발하고 있습니다. 이는 복잡한 학습 과정 없이 로봇을 더 쉽게 통합할 수 있게 해줍니다. 이러한 접근 방식은 대량의 데이터를 사용하여 인간 언어의 이해와 생성에 큰 발전을 이루고 있는 최근의 언어 모델 발전과 유사합니다.
더 많은 지역을 탐색하면 데이터 다양성이 증가하여 HPT의 로봇 공학 능력이 향상될 수 있습니다. GPT-4처럼 비지도 학습 데이터를 활용하면 로봇이 더욱 유연해질 수 있습니다. 연구가 진전됨에 따라 더 똑똑하고 개발 비용이 낮은 로봇으로의 전환을 볼 수 있을 것입니다.
연구는 여기에서 발표되었습니다:
http://dx.doi.org/10.48550/arXiv.2409.20537및 그 공식 인용 - 저자 및 저널 포함 - 다음과 같습니다
Lirui Wang, Xinlei Chen, Jialiang Zhao, Kaiming He. Scaling Proprioceptive-Visual Learning with Heterogeneous Pre-trained Transformers. Submitted to arXiv, 2024 DOI: 10.48550/arXiv.2409.20537오늘 · 오전 4:06
자연스러운 오토튜닝 효과: 파이프 오르간으로 변화하는 음악의 새로운 가능성
어제 · 오후 10:00
온실가스 감축 없이 위험에 처한 파타고니아 빙하 보호막
어제 · 오후 7:54
프로바이오틱스로 방화제 독소 피해 줄이기: 건강 개선의 새로운 길
이 기사 공유