Роботи, які знають, коли бути ніжними: MoMo від Apple вчить машини самостійно змінювати стиль руху

Ключові моменти

• Apple ML Research опублікували MoMo, двостадійну систему навчання, яка вчить роботів варіювати стиль руху залежно від завдання.
• Система була протестована на шести реальних робототехнічних задачах маніпулювання та показала стійкі, контрольовані зміни у виконанні кожного руху.
• Один простий регулятор, який називається "умовою режиму руху", дозволяє операторам змінювати поведінку робота без переписування коду.
• MoMo використовує навчання наслідуванням, метод тренування, при якому робот вивчає приклади людей, які виконують завдання, а потім копіює основний паттерн.

Більшість роботів рухаються однаково щоразу. Попросіть одного піднімати сире яйце та цеглину, і він захопить обидва з однаковою силою, з однаковою швидкістю, дотримуючись однакової траєкторії. Це працює на фабриці, де кожен предмет однаковий. Це зупиняється скрізь іншою.

Apple ML Research цього тижня опублікували систему під назвою MoMo, яка намагається це виправити. Ідея проста в принципі: вчити робота не просто що робити, а як це мало б відчуватися під час виконання, і зробити це "як" чимось, що можна коригувати на льоту.

Як насправді працює MoMo?

MoMo складається з двох частин, які працюють разом. По-перше, токенізатор — програмне забезпечення, яке розбиває потік даних рухів на малі, позначені фрагменти, як автокорекція розбиває мову на слова. Токенізатор MoMo працює як у просторі (куди рухається рука), так і в часі (як швидко вона рухається), тому він захоплює повну текстуру руху, а не просто його кінцеву точку.

Друга частина — це трансформер, той самий клас програмного забезпечення, який живить сучасні чат-боти. Цей трансформер приймає два входи: саме завдання та безперервне число на шкалі, яку дослідники називають умовою режиму руху. Думайте про це як про один повзунок. Рухніть його в один бік — робот рухається обережно й ніжно. Рухніть у інший — робот рухається швидко та впевнено. Кожна позиція між ними створює відповідно інший фізичний стиль.

Критично важливо, що робот вивчає цю поведінку повзунка через навчання наслідуванням, спостерігаючи, як люди виконують завдання, і засвоюючи паттерн варіацій, а не просто середній результат. Це означає, що одна навчена модель може охопити весь спектр рухів без того, щоб хтось писав нові інструкції для кожної точки цього спектра.

Чому це важливо поза лабораторією?

У реальному світі контекст постійно змінюється. Робот, який обробляє ліки в лікарняній аптеці, потребує іншого дотику, ніж той самий робот, який переставляє полиці. Машина, яка збирає екран телефону, потребує повільної точності; переміщення порожніх лотків по складу може бути швидким. Зараз переключення між цими режимами звичайно означає, що інженери повинні втручатися для коригування параметрів. Підхід MoMo дозволив би роботу отримати простий сигнал і адаптуватися самому.

Apple ML Research протестували систему на шести реальних робототехнічних задачах маніпулювання — практичній роботі з підбору, розміщення та переміщення предметів — і повідомили, що варіювання умови режиму руху створило стійкі, передбачувані зміни поведінки для всіх з них.

Дослідження все ще знаходиться на академічному етапі. Жодного оголошення про продукт не супроводжувало статтю, і розрив між демонстрацією в лабораторії та роботом, якому ви довіряєте в лікарні чи будинку, значний. Але основне питання, на яке MoMo відповідає, — це те, з яким борється вся індустрія: чи може робот вивчити багаторазовий сенс того, як рухатися, спільний для кожного завдання, яке він знає?

Ця робота припускає, що відповідь — так.

Часті питання

Це означає, що роботи скоро адаптуватимуться до будь-якої ситуації самостійно?

Поки ні. MoMo показує, що стиль руху можна вивчити та контролювати за допомогою одного входу, але система все ще потребує зібраних людиною даних тренування для кожного завдання та оператора для установки значення умови режиму руху. Повна автономія в розкритих ситуаціях залишається невирішеною проблемою.

Чи може ця технологія з'явитися в споживацьких або медичних роботах?

Можливо, з часом. Система достатньо загальна, щоб застосовуватися до будь-якого робота-маніпулятора, але перехід від наукової статті до сертифікованого медичного чи споживацького пристрою займає роки тестування безпеки та нормативного затвердження.