Apple učí roboty meniť štýl pohybu bez preučenia každej úlohy

Robot môže správne uchopiť alebo presunúť predmet, no stále to urobiť nevhodným spôsobom: príliš prudko, pomaly alebo pod zlým nájazdovým uhlom. Výskumníci Apple preto v práci MoMo skúmajú, či sa dá samotný štýl vykonania naučiť ako samostatný a opakovane použiteľný faktor. Cieľom nie je naučiť robota iba čo má spraviť, ale dať systému spojitú kontrolu nad tým, ako sa pohyb počas rovnakej úlohy odohrá.

MoMo je dvojstupňový rámec učenia napodobňovaním. Prvá časť premieňa priestorovo-časový priebeh akcie na diskrétnu reprezentáciu, teda na tokeny zachytávajúce vzory pohybu. Druhá časť používa transformátor pre učenie správania, ktorý dostáva zadanie úlohy aj spojitú podmienku označujúcu požadovaný režim pohybu. Vďaka tomu sa obsah úlohy a spôsob jej vykonania nemusia spájať do jedného nerozlíšeného povelu.

Výskumníci rámec otestovali na šiestich manipulačných úlohách s fyzickými robotmi. Zmenou jednej podmienky získali stabilné, dynamické aj prechodné formy správania. Rozdiel nebol iba vizuálnym dojmom: prejavil sa v rýchlosti kĺbov, zrýchlení a uhle, pod ktorým koncový člen ramena prichádzal k predmetu. Ľudskí hodnotitelia dokázali jednotlivé režimy rozlišovať, čo podporuje tvrdenie, že model zachytil čitateľný štýl vykonania.

Najzaujímavejším výsledkom je prenos na kombinácie, ktoré model počas ukážok priamo nevidel. Ak bola určitá úloha predvedená iba v jednom režime, MoMo vedelo pri vykonávaní požadovať aj druhý režim a pritom vo veľkej miere zachovať úspešnosť úlohy. Autori to opisujú ako kompozičné zovšeobecnenie: systém kombinuje znalosť úlohy so znalosťou pohybového režimu namiesto toho, aby potreboval samostatnú sadu demonštrácií pre každý pár.

Takéto oddelenie môže znížiť množstvo dát potrebných pri zbere robotických ukážok. Tradičný postup by mohol vyžadovať, aby operátor predviedol každú činnosť pomaly, rýchlo, jemne alebo dôrazne. Ak sa režim skutočne prenáša medzi úlohami, časť týchto kombinácií sa dá vynechať. To je dôležité, pretože teleoperované demonštrácie sú drahé, časovo náročné a ich kvalita závisí od človeka aj hardvéru.

Praktický význam vidno najmä v prostrediach, kde úspech nestačí merať binárne. Robot v domácnosti by mal pohybovať krehkým pohárom inak než prázdnou plastovou nádobou. Pri spolupráci s človekom môže byť potrebný pomalší a predvídateľnejší pohyb, zatiaľ čo v oddelenom priemyselnom priestore môže byť prioritou rýchlosť. Spojitá podmienka navyše naznačuje, že systém nemusí prepínať iba medzi dvoma pevnými štítkami, ale môže voliť aj medzistupne.

Práca však zatiaľ neznamená univerzálny ovládač robotického správania. Experiment pokrýva šesť úloh a konkrétne fyzické zostavy; z verejného súhrnu nemožno vyvodiť, že rovnaký prenos bude fungovať pri úplne inom type robota, dlhých postupoch alebo nepredvídateľnom prostredí. Ľudská rozlíšiteľnosť štýlu tiež sama osebe nedokazuje bezpečnosť. Prudší režim môže byť čitateľný, no stále potrebuje limity sily, rýchlosti a pracovného priestoru.

Pre nasadenie bude preto dôležité spojiť takýto naučený režim s klasickými bezpečnostnými obmedzeniami. Riadiaci systém by mal kontrolovať kolízie, maximálne zrýchlenie a kontakt s človekom bez ohľadu na požadovaný štýl. Užitočná bude aj kalibrácia toho, čo spojitá hodnota znamená pri rôznych predmetoch: rovnaký číselný režim nemusí mať rovnaký fyzikálny účinok pri ľahkej krabici a ťažkom nástroji.

MoMo zapadá do širšieho smeru fyzickej AI, ktorý sa snaží deliť robotické schopnosti na znovu kombinovateľné zložky. Jazykový povel môže určiť cieľ, politika vyberie činnosť a ďalšia reprezentácia upraví dynamiku vykonania. Ak sa tieto vrstvy podarí stabilne oddeliť, nové správanie sa môže skladať z menšieho počtu ukážok a operátor získa zrozumiteľnejší ovládací prvok než neštruktúrovaný textový pokyn.

Najväčší prínos práce preto nie je iba v troch pozorovaných štýloch. Dôležitejšia je predstava, že vlastnosť pohybu môže byť prenosná naprieč úlohami podobne ako iné naučené reprezentácie. Výsledky Apple poskytujú dôkaz na obmedzenej sade reálnych experimentov a otvárajú otázku, ako ďaleko sa tento princíp škáluje. Ďalšie testy budú musieť ukázať odolnosť voči novým predmetom, dlhším sekvenciám, odlišným robotom a situáciám, v ktorých sa požadovaný štýl stretne s bezpečnostným limitom.