С помощью большой языковой модели инженеры Массачусетского технологического института позволили роботам самостоятельно исправлять ошибки и выполнять работу по дому. Роботов учат выполнять все более сложные бытовые задачи — от вытирания пролитых жидкостей до подачи еды. Многие из таких домашних роботов учатся через подражание: их программируют на копирование движений, которые человек выполняет физически. Оказалось, что роботы — отличные имитаторы. Но если инженеры не запрограммируют их на адаптацию ко всем возможным ударам и толчкам, роботы не всегда будут знать, как справиться с подобными ситуациями, если не начать выполнять задание с чистого листа. Теперь инженеры Массачусетского технологического института намерены придать роботам немного здравого смысла, когда они сталкиваются с ситуациями, которые сбивают их с намеченного пути. Они разработали метод, который соединяет данные о движении робота со «здравым смыслом» больших языковых моделей, или LLM. Их подход позволяет роботу логически разбирать многие бытовые задачи на подзадачи и физически адаптироваться к сбоям в рамках подзадачи, чтобы робот мог двигаться дальше без необходимости возвращаться и начинать задачу с нуля — и без необходимости инженерам явно программировать исправление всех возможных сбоев на этом пути.
Ванг и его коллеги подробно описывают свой новый подход в исследовании, которое они представят на Международной конференции по изучению представлений (ICLR) в мае. Соавторами исследования являются аспиранты EECS Цун-Хсуан Ванг и Цзяюань Мао, Майкл Хагеноу, постдок факультета аэронавтики и астронавтики Массачусетского технологического института (AeroAstro), и Джули Шах, профессор аэронавтики и астронавтики Массачусетского технологического института имени Х.Н. Слейтера. Языковая задачаИсследователи иллюстрируют свой новый подход на примере простой задачи: зачерпнуть шарики из одной миски и пересыпать их в другую. Чтобы выполнить эту задачу, инженеры обычно перемещают робота по одной траектории — зачерпывая и пересыпая. Они могут проделать это несколько раз, чтобы дать роботу возможность имитировать несколько человеческих демонстраций.
Команда поняла, что, хотя человек может продемонстрировать одну задачу за один раз, эта задача зависит от последовательности подзадач, или траекторий. Например, робот должен сначала дотянуться до миски, прежде чем зачерпнуть, а затем зачерпнуть шарики, прежде чем переместиться к пустой миске, и так далее. Если робот совершит ошибку во время выполнения любой из этих подзадач, единственным выходом будет остановка и начало работы с самого начала, если только инженеры не обозначат каждую подзадачу и не запрограммируют или не соберут новые демонстрации для восстановления робота после указанного сбоя, чтобы робот мог самокорректироваться в нужный момент.
Вместо этого он и его коллеги обнаружили, что часть этой работы может быть выполнена автоматически с помощью LLM. Эти модели глубокого обучения обрабатывают огромные библиотеки текстов, которые они используют для установления связей между словами, предложениями и абзацами. Благодаря этим связям LLM может генерировать новые предложения, основываясь на том, что он узнал о том, какое слово, скорее всего, следует за предыдущим. В свою очередь, исследователи обнаружили, что помимо предложений и абзацев, LLM можно попросить составить логический список подзадач, которые будут задействованы в задаче. Например, если попросить ЛЛМ перечислить действия, связанные с пересыпанием шариков из одной миски в другую, он может выдать последовательность таких глаголов, как «достать», „зачерпнуть“, „перенести“ и „пересыпать“.
Составление карты шариковДля своего нового подхода команда разработала алгоритм, позволяющий автоматически связывать метку на естественном языке LLM для конкретной подзадачи с положением робота в физическом пространстве или изображением, кодирующим состояние робота. Сопоставление физических координат робота или изображения его состояния с меткой на естественном языке известно как «привязка». Новый алгоритм команды разработан для обучения „классификатора заземления“, то есть он учится автоматически определять, в какой семантической подзадаче находится робот — например, „дотянуться“ или „зачерпнуть“ — с учетом его физических координат или изображения.
Команда продемонстрировала этот подход в экспериментах с роботизированной рукой, которую они обучили задаче по сбору мрамора. Экспериментаторы обучали робота, физически направляя его на выполнение задачи: сначала дотянуться до миски, зачерпнуть шарики, перенести их в пустую миску и высыпать в нее. После нескольких демонстраций команда использовала предварительно обученный LLM и попросила модель перечислить шаги, связанные с зачерпыванием шариков из одной миски в другую. Затем исследователи использовали свой новый алгоритм, чтобы связать определенные LLM подзадачи с данными о траектории движения робота. Алгоритм автоматически научился сопоставлять физические координаты робота в траекториях и соответствующий вид изображения с заданной подзадачей. Затем команда позволила роботу самостоятельно выполнить задачу по зачерпыванию воды, используя только что полученные классификаторы заземления. По мере того как робот выполнял все этапы задания, экспериментаторы толкали и подталкивали его, сбивая шарики с ложки в разных точках. Вместо того чтобы останавливаться и начинать все с начала или продолжать вслепую, не имея шариков на ложке, бот был способен к самокоррекции и завершал каждую подзадачу, прежде чем переходить к следующей. (Например, он убеждался, что успешно зачерпнул шарики, прежде чем переложить их в пустую миску).
Иллюстрация: Jose-Luis Olivares, MIT. Предоставили Yanwei Wang и Julie Shah 25.03.2024 |
Хайтек
Созданы чернила для 3D-печати гибких устройств без механических соединений | |
Для инженеров, работающих над мягкой робо... |
Инструмент прогнозирования ускорит исследования в области сверхпроводников | |
Функциональность многих современных передовых ... |
В MIT разрабатывают бытовых роботов, наделенных здравым смыслом | |
С помощью большой языковой модели инженеры Мас... |
В двумерных сверхпроводниках открыта незаметная квантовая критическая точка | |
Слабые флуктуации в сверхпроводимости, яв... |
Роняйте на здоровье. Разработан материал для электроники с адаптивной прочностью | |
Неприятности случаются каждый день, и есл... |
2-фотонная фотоэмиссионная спектроскопия помогла понять поведение электронов | |
Органическая электроника — область,... |
Печатный полимер позволяет изучить хиральность и спины при комнатной температуре | |
Печатаемый органический полимер, который при&n... |
Nature Communications: Открыто революционное явление в жидких кристаллах | |
Исследовательская группа, работающая в UN... |
PRL: Ученые продвинулись в управляемом ускорении электронов в микромасштабе | |
Исследователи из Стэнфорда приблизились к... |
Physical Review Applied: Ниобий воскресили для квантовых технологий | |
Когда речь заходит о сверхпроводящих куби... |
Optica Quantum: Ученые разработали новый метод определения квантовых состояний | |
Ученые из Университета Падерборна примени... |
Физики впервые услышали звуки "схлопывания" тепла в сверхтекучей жидкости | |
В большинстве материалов тепло предпочитает ра... |
Nature Communications: Ученые придумали, как защитить золотые катализаторы | |
Впервые исследователи, в том числе и... |
Nature Photonics: Поставлен рекорд эффективности первоскитовых светодиодов | |
Используя простой метод solvent sieve, исследо... |
Создан новый сверхпроводник из иридия, циркония и платины с хиральной структурой | |
Исследователи из Токийского университета ... |
Nature Communications: Совершен прорыв в создании квантовых материалов | |
Исследователи из Калифорнийского универси... |
В Японии робота с живыми мышцами научили ходить под водой — на суше он высохнет | |
Исследователи из Токийского университета ... |
PNAS: Клеточный каркас разобрали на микроскопические пути | |
Исследователи из Принстона применили спле... |
Создано доступное и экологичное решение для плоских дисплеев и носимой техники | |
Исследовательская группа под руководством... |
Разработан экологичный способ производства проводящих чернил для электроники | |
Исследователи из Университета Линчепинга,... |
AFM: Ученые разрабатывают технологию интеграции искусственных нейронных сетей | |
С появлением таких новых отраслей, как ис... |
Детекторы космических лучей для TAIGA- Muon запустят в серию в ТПУ | |
Ученые из Томского политехнического униве... |
Physical Review Letters: Открыт материал с большим невзаимным поглощением света | |
В основе глобальной интернет-связи лежит оптич... |
Создан новый держатель образцов для измерения температур в сверхмалом диапазоне | |
Группа специалистов из Helmholtz-Zentrum ... |
Applied Surface Science: Открыт путь к мемристорам нового поколения | |
Мемристорные устройства представляют собой кат... |
Frontiers of Optoelectronics: Прогресс в области двумерных полупроводников | |
Замещающее легирование чужеродными элементами ... |
eLight: Разработан подход для создания сверхчувствительных сенсоров | |
Датчики — важнейшие инструменты для... |
Монополи фазы Берри применили для создания высокотемпературных спинтроников | |
Спинтроники — это электронные ... |
Создан новый подход для разработки новых оптических устройств для биомедицины | |
Интегрированные сети распределения, обработки ... |
LAM: Создано устройство, способное произвести революцию в использовании света | |
Жидкокристаллические, или ЖК, фазовые мод... |