Роботы, которые знают, когда быть осторожными: MoMo от Apple учит машины менять стиль движения

Ключевые моменты

• Apple ML Research опубликовала MoMo, двухуровневую учебную систему, которая обучает роботов варьировать стиль движения в зависимости от задачи.
• Система была протестирована на шести реальных задачах манипуляции робота и показала стабильные, контролируемые изменения в выполнении каждого движения.
• Простой регулятор, называемый «условием режима движения», позволяет операторам менять поведение робота без переписания кода.
• MoMo использует обучение имитацией, метод тренировки, при котором робот изучает примеры выполнения задачи людьми, а затем копирует основную схему.

Большинство роботов движутся одинаково каждый раз. Попросите робот поднять сырое яйцо и кирпич, и он возьмёт оба с одинаковой силой, с одинаковой скоростью, следуя одной и той же траектории. Это работает на заводе, где каждый предмет идентичен. Но везде в остальном мире это не срабатывает.

На этой неделе Apple ML Research опубликовала систему под названием MoMo, которая пытается это исправить. Идея простая в принципе: научить робота не просто что делать, но как это должно выглядеть при выполнении, и сделать эту «как» величину, которую можно менять на лету.

Как именно работает MoMo?

MoMo состоит из двух взаимодействующих компонентов. Во-первых, токенизатор, программное обеспечение, которое разбивает поток данных о движении на маленькие, помеченные фрагменты, так же как автозамена разбивает речь на слова. Токенизатор MoMo работает как в пространстве (где движется рука), так и во времени (с какой скоростью она движется), поэтому он улавливает всю полноту движения, а не только конечную точку.

Вторая часть — трансформер, тот же класс программного обеспечения, который используется в современных чатботах. Этот трансформер принимает два входа: саму задачу и непрерывное число на шкале, которую исследователи называют условием режима движения. Думайте об этом как о едином ползунке. Сдвиньте его в одну сторону, и робот движется обдумано и осторожно. Сдвиньте в другую сторону, и робот движется быстро и решительно. Каждая позиция между ними создаёт соответствующий другой физический стиль.

Критично то, что робот изучает этот ползунковый режим благодаря обучению имитацией, наблюдая, как люди выполняют задачи и впитывая закономерность вариации, а не только средний результат. Это означает, что одна обученная модель может охватить целый спектр движений без написания новых инструкций для каждой точки на этом спектре.

Почему это важно за пределами лаборатории?

В реальном мире контекст постоянно меняется. Робот, обрабатывающий лекарства в больничной аптеке, нуждается в другом подходе, чем тот же робот, переставляющий полки. Машина, собирающая экран телефона, требует медленной точности; перемещение пустых подносов по складу может быть быстрым. Сегодня переключение между этими режимами обычно требует вмешательства инженеров-человека для настройки параметров. Подход MoMo позволил бы роботу получить простой сигнал и приспособиться.

Apple ML Research протестировала систему на шести реальных задачах манипуляции робота — практической работе по захвату, размещению и перемещению предметов — и сообщила, что изменение условия режима движения привело к стабильным, предсказуемым изменениям поведения во всех них.

Исследование всё ещё находится на академической стадии. Публикация статьи не сопровождалась объявлением о продукте, и разрыв между демонстрацией в лаборатории и роботом, которому вы доверяете в больнице или дома, огромен. Но основной вопрос, на который отвечает MoMo, — это вопрос, с которым борется вся отрасль: может ли робот научиться переиспользуемому пониманию как двигаться, общему для всех задач, которые он знает?

Эта работа предполагает, что ответ — да.

Часто задаваемые вопросы

Значит ли это, что роботы вскоре будут самостоятельно приспосабливаться к любой ситуации?

Не пока. MoMo показывает, что стиль движения может быть изучен и контролируется одним входом, но система по-прежнему нуждается в собранных человеком обучающих данных для каждой задачи и оператора для установки значения режима движения. Полная автономность в открытых ситуациях остаётся нерешённой проблемой.

Может ли эта технология появиться в потребительских или медицинских роботах?

Возможно, со временем. Система достаточно универсальна, чтобы применяться к любому манипулятору робота, но переход от исследовательской статьи к сертифицированному медицинскому или потребительскому устройству требует лет испытаний безопасности и одобрения регулирующих органов.