Robot che sanno quando essere delicati: MoMo di Apple insegna alle macchine ad adattare il proprio stile di movimento

Punti chiave

• Apple ML Research ha pubblicato MoMo, un framework di apprendimento in due fasi che insegna ai robot di variare il loro stile di movimento in base ai compiti.
• Il sistema è stato testato su sei compiti di manipolazione su robot reali e ha prodotto cambiamenti stabili e controllabili nel modo in cui ogni movimento si è svolto.
• Un singolo input simile a una manopola chiamato "motion-mode condition" consente agli operatori di modificare il comportamento del robot senza riscrivere alcun codice.
• MoMo utilizza l'apprendimento per imitazione, un metodo di allenamento in cui il robot studia esempi di umani che svolgono un compito, poi copia il modello sottostante.

La maggior parte dei robot si muove allo stesso modo ogni volta. Chiedi a uno di raccogliere un uovo crudo e un mattone, e li afferrerà entrambi con forza identica, alla stessa velocità, seguendo lo stesso arco. Funziona in una fabbrica dove ogni oggetto è identico. Fallisce ovunque altrove.

Apple ML Research ha pubblicato questa settimana un sistema chiamato MoMo che tenta di risolvere questo problema. L'idea è semplice in linea di principio: insegnare a un robot non solo cosa fare, ma come dovrebbe sentirsi mentre lo fa, e rendere questo "come" qualcosa che puoi adattare al volo.

Come funziona effettivamente MoMo?

MoMo ha due parti che lavorano insieme. Prima, un tokenizer, ovvero un software che divide un flusso di dati di movimento in piccoli pezzi etichettati, il modo in cui il correttore automatico divide il parlato in parole. Il tokenizer di MoMo funziona sia nello spazio (dove si muove il braccio) che nel tempo (quanto velocemente si muove), quindi cattura la texture completa di un movimento, non solo il suo punto finale.

La seconda parte è un transformer, la stessa classe di software che alimenta i chatbot moderni. Questo transformer accetta due input: il compito stesso e un numero continuo su una scala che i ricercatori chiamano motion-mode condition. Pensala come un singolo cursore. Spingilo da un lato e il robot si muove deliberatamente e delicatamente. Spingilo dall'altro e il robot si muove velocemente e decisamente. Ogni posizione intermedia produce uno stile fisico corrispondentemente diverso.

Criticamente, il robot apprende questo comportamento del cursore dall'apprendimento per imitazione, osservando umani che completano compiti e assorbendo il modello di variazione, non solo il risultato medio. Ciò significa che lo stesso modello addestrato può coprire un intero spettro di movimento senza che nessuno scriva nuove istruzioni per ogni punto di quello spettro.

Perché questo è importante al di fuori di un laboratorio?

Nel mondo reale, il contesto cambia costantemente. Un robot che movimenta medicinali in una farmacia ospedaliera ha bisogno di un tocco diverso rispetto allo stesso robot che riordina gli scaffali. Una macchina che assembla uno schermo del telefono ha bisogno di una precisione lenta; spostare vassoi vuoti in un magazzino può essere veloce. Oggi, il passaggio tra queste modalità di solito significa che gli ingegneri umani intervengono per adattare le impostazioni. L'approccio di MoMo consentirebbe al robot di ricevere un semplice segnale e adattarsi.

Apple ML Research ha testato il framework su sei compiti di manipolazione su robot reali, il lavoro pratico di raccogliere, posizionare e spostare oggetti, e ha riferito che variare la motion-mode condition ha prodotto cambiamenti stabili e prevedibili nel comportamento in tutti loro.

La ricerca è ancora in fase accademica. Nessun annuncio di prodotto ha accompagnato l'articolo, e il divario tra una demo in laboratorio e un robot di cui ti fidi in un ospedale o in una casa è ampio. Ma la domanda sottostante a cui MoMo risponde è quella con cui l'intero settore sta lottando: può un robot imparare un senso riutilizzabile di come muoversi, condiviso in ogni compito che conosce?

Questo lavoro suggerisce che la risposta è sì.

Domande comuni

Questo significa che i robot presto si adatteranno a qualsiasi situazione da soli?

Non ancora. MoMo dimostra che lo stile di movimento può essere imparato e controllato con un singolo input, ma il sistema ha ancora bisogno di dati di addestramento raccolti dagli umani per ogni compito e di un operatore per impostare il valore della motion-mode. L'autonomia completa in situazioni aperte rimane un problema irrisolto.

Potrebbe questa tecnologia apparire nei robot consumer o medici?

Possibilmente, nel tempo. Il framework è abbastanza generale da applicarsi a qualsiasi braccio robotico che esegua lavori di manipolazione, ma il passaggio da articolo di ricerca a dispositivo medico o consumer certificato richiede anni di test di sicurezza e approvazione normativa.