AI Membantu Robot Rumahan Menghemat Waktu

AI Membantu Robot Rumahan Menghemat Waktu – Robot rumah baru Anda dibawa pulang dan Anda memintanya membuatkan Anda secangkir kopi. Meskipun dia mengetahui beberapa keterampilan dasar dari pelatihan dapur pura-pura sebelumnya, ada terlalu banyak tindakan yang mungkin dilakukan – menyalakan keran, menyiram toilet, mengosongkan tempat tepung, dll. Namun, ada sejumlah kecil tindakan yang dapat bermanfaat. Bagaimana robot mengetahui langkah apa yang masuk akal dalam situasi baru?

AI Membantu Robot Rumahan Menghemat Waktu

gramorokkaz – Dapat menggunakan sistem baru, PIGINet, yang bertujuan untuk meningkatkan kemampuan pemecahan masalah robot rumahan secara efektif. Para peneliti di Laboratorium Ilmu Komputer dan Kecerdasan Buatan (CSAIL) MIT menggunakan pembelajaran mesin untuk mengurangi proses berulang dalam perencanaan tugas dengan mempertimbangkan semua tindakan yang mungkin dilakukan. PIGINet menghilangkan desain masalah yang gagal memenuhi persyaratan bebas tabrakan dan mengurangi waktu desain sebesar 50-80 persen ketika dilatih hanya pada 300-500 masalah.

Biasanya, robot mencoba rencana misi yang berbeda dan menyempurnakan gerakan secara berulang hingga menemukan solusi yang tepat, yang mungkin tidak efisien dan memakan waktu, terutama untuk rintangan bergerak dan artikulasi. Mungkin Anda ingin menaruh semua saus di lemari setelah dimasak, misalnya. Tergantung pada keadaan dunia saat ini, permasalahan ini mungkin memerlukan dua hingga delapan langkah. Apakah robot perlu membuka beberapa pintu lemari, atau adakah penghalang di dalam lemari yang perlu dipindahkan untuk memberi ruang? Anda tidak ingin robot Anda menjadi sangat lambat – dan lebih buruk lagi, makan malam Anda akan hangus hanya dengan memikirkannya.

Baca juga : Teknologi Masa Depan Yang Mengubah Dunia

Robot rumahan umumnya mengikuti resep yang telah ditentukan untuk melakukan tugas yang tidak selalu sesuai di lingkungan yang beragam atau berubah. Jadi bagaimana PIGINet menghindari aturan yang telah ditentukan sebelumnya? PIGINet adalah jaringan saraf yang mengambil “rencana awal, gambaran, tujuan, dan fakta” dan kemudian memprediksi kemungkinan bahwa rencana tugas dapat disempurnakan untuk menemukan rencana bisnis yang layak. Sederhananya, ini menggunakan encoder transformator, model serbaguna dan canggih yang dirancang untuk bekerja dengan kumpulan data. Dalam hal ini, urutan masukan adalah informasi tentang rencana tugas mana yang sedang dipertimbangkan, deskripsi lingkungan, dan pengkodean simbolis dari keadaan awal dan tujuan yang diinginkan. Encoder menggabungkan rencana tugas, gambar, dan teks untuk menghasilkan prediksi tentang kelayakan rencana tugas yang dipilih.

Menyimpan barang-barang di dapur, tim menciptakan ratusan lingkungan simulasi, masing-masing dengan tata letak berbeda dan tugas khusus yang memerlukan pengorganisasian barang-barang antara konter, lemari es, lemari, wastafel, dan dapur. Dengan mengukur waktu yang dibutuhkan untuk menyelesaikan suatu masalah, mereka membandingkan PIGINet dengan pendekatan sebelumnya. Salah satu rencana kerja yang benar adalah membuka pintu kiri lemari es, membuka tutup panci, memindahkan kubis dari panci ke lemari es, memindahkan kentang ke lemari es, mengambil botol dari bak cuci, menaruh botol di bak cuci piring. . , ambil botol tomat, atau masukkan tomat. PIGINet secara signifikan mengurangi waktu desain sebesar 80 persen untuk skenario yang lebih sederhana dan 20-50 persen untuk skenario yang lebih kompleks dengan siklus desain dan data pelatihan yang lebih lama.

“Sistem seperti PIGInet, yang memanfaatkan kekuatan metode berbasis data untuk menangani kasus umum secara efisien, namun masih dapat menggunakan metode desain “prinsip pertama” untuk memverifikasi proposisi berbasis pembelajaran dan memecahkan masalah baru, menawarkan yang terbaik dari keduanya dunia, memberikan solusi umum yang andal dan efisien untuk banyak masalah,” kata Leslie Pack Kaelbling, profesor MIT dan peneliti utama di CSAIL.

Penggunaan penyematan multimodal oleh PIGINet dalam urutan masukan memungkinkan visualisasi dan pemahaman yang lebih baik tentang hubungan geometris yang kompleks. . Penggunaan data gambar membantu model untuk memahami pengaturan spasial dan konfigurasi objek tanpa mengetahui jaringan 3D objek untuk pemeriksaan tabrakan yang akurat, yang memungkinkan pengambilan keputusan dengan cepat di lingkungan yang berbeda.

Salah satu tantangan terbesar selama pengembangan PIGInet adalah kurangnya data pelatihan yang baik, karena semua rencana yang mungkin dan tidak mungkin harus dibuat oleh perencana tradisional, yang lambat dalam memulainya. Namun, dengan menggunakan model bahasa visual dan trik augmentasi data yang telah dilatih sebelumnya, tim mampu mengatasi tantangan ini dan menunjukkan pengurangan waktu desain yang mengesankan tidak hanya untuk masalah yang melibatkan objek terlihat, tetapi juga generalisasi dari nol ke objek yang sebelumnya tidak terlihat.

Baca juga : Swarovski Strategy Pivot Debuts

“Karena rumah setiap orang berbeda, robot harus menjadi pemecah masalah yang adaptif, bukan hanya pengambil resep. Ide utama kami adalah membuat penjadwal tugas tujuan umum menghasilkan rencana tugas kandidat dan menggunakan model pembelajaran mendalam untuk memilih tugas yang menjanjikan rencana. Hasilnya adalah robot rumahan yang lebih efisien, mudah beradaptasi, dan praktis serta mampu menavigasi lingkungan yang kompleks dan dinamis dengan terampil. Selain itu, penerapan praktis PIGINet tidak terbatas pada rumah saja,” kata Zhutian Yang, mahasiswa PhD di MIT CSAIL dan penulis utama makalah tersebut. “Tujuan masa depan kami adalah meningkatkan PIGINet untuk memberikan rencana tugas alternatif setelah mengidentifikasi tugas-tugas yang tidak mungkin dilakukan. akan lebih mempercepat pembuatan rencana tugas yang layak tanpa memerlukan kumpulan data besar untuk melatih perencana umum dari awal.

Tantangan utama dalam penerapan robot serba guna: bagaimana belajar dari pengalaman masa lalu untuk mempercepat proses pengambilan keputusan secara tidak terstruktur lingkungan yang penuh dengan rintangan yang diartikulasikan dan bergerak,” kata Beomjoon Kim PhD, Associate Professor di Sekolah Pascasarjana. ’20. of Artificial Intelligence di Korea Advanced Institute of Science and Technology (KAIST) “Kendala utama permasalahan ini adalah pendefinisian rencana kerja tingkat tinggi sehingga ada rencana kerja tingkat rendah yang melaksanakan rencana tingkat tinggi. Anda biasanya harus melakukan trade-off antara perpindahan dan penjadwalan tugas, yang menyebabkan inefisiensi komputasi yang signifikan. Karya Zhutian mengatasi hal ini dengan menggunakan pembelajaran untuk menghilangkan rencana tugas yang mustahil dan merupakan langkah menuju arah yang menjanjikan.