Revolutionaire robottraining: de toekomst van veelzijdige automatisering met heterogeneous pretrained transformers van MIT

AmsterdamOnderzoekers aan de MIT hebben een nieuwe methode ontwikkeld om een lastig probleem op te lossen: robots taken leren uitvoeren. Het standaardproces vereist vaak het verzamelen van specifieke data voor elke robot en taak, wat veel tijd en geld kost. Dit belemmert de flexibiliteit van robots om zich aan te passen aan nieuwe situaties.

MIT heeft een innovatieve methode ontwikkeld waarbij gebruik wordt gemaakt van uiteenlopende gegevensbronnen om robots te trainen. Deze benadering kan de manier waarop robots leren veranderen door de noodzaak van specifiek data voor elke taak te verminderen. Het systeem ordent gegevens uit verschillende domeinen zoals simulaties en activiteiten van echte robots, en verwerkt diverse vormen van input zoals camerabeelden en sensoren op robotarmen. Hierdoor kan een generatief AI-model grote hoeveelheden informatie efficiënt beheren.

Hun benadering maakt gebruik van Heterogene Voorgetrainde Transformers (HPT), wat machine learning-modellen zijn die zowel visuele als proprioceptieve data verwerken. Ze transformeren deze gegevens in een makkelijk samen te analyseren formaat. Deze eerste training zorgt ervoor dat het robotsysteem flexibeler wordt. Naarmate het systeem meer data verwerkt, wordt het sterker en heeft het slechts een beperkte hoeveelheid specifieke gegevens nodig voor nieuwe taken. Dit levert aanzienlijke voordelen op.

• Vermindert de noodzaak voor het verzamelen van grote hoeveelheden taakgerichte data
• Vergroot de aanpassingsmogelijkheden van robots aan nieuwe taken en omgevingen
• Verbetert de efficiëntie en prestaties van training met meer dan 20%

Lees ook:

Vandaag · 12:05

Probabiliteitsvaardigheden verbeteren: essentieel voor medische en juridische besluitvorming met Bayesiaanse training

MIT doet onderzoek dat de toekomst aanzienlijk kan veranderen. Ze ontwikkelen een universele "robotbrein" dat eenvoudig kan worden gedownload op verschillende robotplatforms. Dit zou de integratie van robots vergemakkelijken zonder ingewikkelde trainingen. Het concept is vergelijkbaar met recente ontwikkelingen in taalmodellen, waar grote hoeveelheden data hebben geleid tot aanzienlijke verbeteringen in het begrijpen en creëren van menselijke taal.

Door nieuwe gebieden te verkennen, kan data gevarieerder worden, wat de capaciteiten van HPT in robotica zou verbeteren. Het gebruik van niet-gelabelde data, vergelijkbaar met hoe GPT-4 dit doet, zou robots nog flexibeler kunnen maken. Naarmate het onderzoek vordert, kunnen we een verschuiving verwachten naar slimmere robots die eenvoudiger en goedkoper te ontwikkelen zijn.