AIRoA-0 با نمایش‌های دستی، دست‌های ربات را آموزش می‌دهد

یک گروه پژوهشی از AIRoA-0 رونمایی کرده است؛ سامانه‌ای رباتیک که با 16,151 ساعت نمایش افراد از انجام وظایف با یک گیره دستی آموزش دیده است. این گروه می‌گوید هنگام آموزش هیچ داده‌ای از ربات جمع‌آوری نکرده و ربات فقط هنگام آزمایش وارد کار می‌شود. در این نمایش‌ها از YUBI استفاده شده است؛ گیره‌ای متن‌باز که افراد می‌توانند آن را در دست بگیرند و بدون حضور ربات، وظایف دست‌کاری اشیا را ضبط کنند.

AIRoA-0 با یک دستور می‌تواند کارهایی مثل مرتب‌کردن بیش از دوازده قطعه کوچک در خانه‌های شماره‌دار، تعویض پدهای تی و برس جاروبرقی رباتیک، بازکردن زیپ جامدادی و تا‌کردن حوله را انجام دهد. این سامانه فقط از دوربین‌های نصب‌شده روی دو مچ ربات استفاده می‌کند و دوربینی ندارد که از بالا به کل صحنه نگاه کند. ارزیابی در مکانی انجام شد که هیچ‌یک از داده‌های آموزشی سامانه در آنجا ضبط نشده بود.

عملکرد آن چگونه بود؟

سازندگان AIRoA-0 میانگین نرخ موفقیت 78% را در 10 وظیفه ارزیابی‌شده گزارش کرده‌اند. آن‌ها این رقم را با 27% برای قوی‌ترینِ چهار مدل دیگرِ بینایی-زبان-کنش مقایسه می‌کنند؛ مدل‌هایی که ورودی بصری و دستورهای زبانی را به کنش‌های ربات تبدیل می‌کنند و با همان نمایش‌های وظایف، آموزش تکمیلی دیده‌اند. این نتایج را گروه پژوهشی گزارش کرده است؛ خلاصه مقاله ارائه‌شده توضیحی درباره ارزیابی مستقل نمی‌دهد.

AIRoA-0 طوری طراحی شده که با ربات‌های مختلفی کار کند که بتوان گیره YUBI را روی آن‌ها نصب کرد. سازندگان، ربات‌های دو‌دستی Franka، TX-G2، OpenArm و UR را به‌عنوان نمونه نام می‌برند. سامانه یاد می‌گیرد کدام بخش از تصاویر دوربین‌های مچی اهمیت دارند، مرحله‌ای را که در انجام وظیفه به آن رسیده برآورد می‌کند و پیوسته فرمان‌های حرکتی می‌فرستد. طبق مقاله، این روش نه از یادگیری تقویتی استفاده می‌کند و نه به اصلاح رفتار ربات در حین کار نیاز دارد.

دیگران به چه چیزهایی دسترسی خواهند داشت؟

این گروه می‌گوید مجموعه‌داده نمایش‌ها، وزن‌های مدلِ ازپیش‌آموزش‌دیده و دستورالعملی برای سازگارکردن سامانه با وظایف جدید را منتشر می‌کند. به گفته پژوهشگران، این مجموعه‌داده تا آنجا که می‌دانند بزرگ‌ترین مجموعه متن‌باز نمایش‌های ضبط‌شده با گیره دستی است که دستورهای مربوط به وظیفه و زیر‌وظیفه را هم در بر می‌گیرد. آن‌ها می‌گویند می‌توان با YUBI یک وظیفه را ضبط کرد و با استفاده از یک گره رایانه‌ای مجهز به هشت GPU از نوع H200، مدل را در کمتر از چهار ساعت آموزش تکمیلی داد.

این روش با شیوه رایج آموزش ربات تفاوت دارد؛ در آن شیوه، افراد اغلب با کنترل خود ربات، نمایش‌های آموزشی جمع‌آوری می‌کنند. در روش پژوهشگران، نخست حرکت‌های دست انسان ضبط می‌شود و سپس رفتار آموخته‌شده هنگام آزمایش به ربات منتقل می‌شود. نتایج مقاله به همان 10 وظیفه ارزیابی‌شده محدود است و نشان نمی‌دهد سامانه در وظایف یا شرایط خارج از این آزمون‌ها چقدر خوب عمل می‌کند.