Transformando o treinamento de robôs: o futuro da automação versátil

Tempo de leitura: 2 minutos
Por Bia Chacu
- em
Robôs interagindo de forma criativa com diversas fontes de dados.

São PauloEnsinar robôs a executar diferentes tarefas é desafiador porque eles precisam funcionar bem em diferentes ambientes. O método tradicional para isso requer a coleta de dados específicos para cada robô e tarefa, o que consome muito tempo e recursos financeiros. Isso torna difícil a adaptação dos robôs a novas situações. Pesquisadores do MIT desenvolveram um novo método para resolver esse problema.

MIT desenvolveu uma nova técnica que utiliza uma ampla variedade de dados de diferentes fontes para treinar robôs. Essa abordagem pode transformar o modo como robôs aprendem, reduzindo a necessidade de dados específicos para cada tarefa. O sistema organiza dados de diversas áreas, como simulações e atividades reais de robôs, além de diferentes tipos de entrada, como imagens de câmera e sensores em braços robóticos. Isso permite que um modelo de IA generativa processe grandes volumes de informação de forma eficaz.

Título: Transformadores Pré-treinados Revolucionam Aprendizado de Robôs

A abordagem deles utiliza os Transformadores Pré-treinados Heterogêneos (TPH), modelos de aprendizado de máquina que processam dados visuais e proprioceptivos. Eles transformam essas informações em um formato que pode ser facilmente analisado em conjunto. Esse treinamento inicial permite que o sistema de aprendizado de robôs seja mais adaptável. O sistema se fortalece à medida que processa mais dados, necessitando de poucos dados específicos para novas tarefas. Isso traz benefícios significativos.

Reduz a necessidade de extensa coleta de dados específicos para cada tarefa, aumenta a capacidade do robô de se adaptar a novas tarefas e ambientes, e melhora a eficiência e o desempenho do treinamento em mais de 20%.

Pesquisa do MIT promete revolucionar o futuro

O MIT está desenvolvendo um "cérebro de robô" universal que pode ser facilmente transferido para diferentes plataformas robóticas. Isso simplificaria a integração desses robôs, eliminando a necessidade de um treinamento complexo. A ideia é inspirada nos avanços recentes em modelos de linguagem, onde o uso de grandes quantidades de dados trouxe melhorias significativas no entendimento e na geração da linguagem humana.

Explorar novas áreas pode diversificar os dados, melhorando a capacidade da HPT em robótica. Usar dados não rotulados, como faz o GPT-4, pode tornar os robôs ainda mais adaptáveis. Com o avanço das pesquisas, podemos ver uma tendência para robôs mais inteligentes, que são mais fáceis e econômicos de desenvolver.

O estudo é publicado aqui:

http://dx.doi.org/10.48550/arXiv.2409.20537

e sua citação oficial - incluindo autores e revista - é

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.2409.20537
Ciência: Últimas notícias
Leia mais:

Compartilhar este artigo

Comentários (0)

Publicar um comentário