Ενώ οι μηχανικοί ρομποτικής έχουν δημιουργήσει ολοένα και πιο εξελιγμένα συστήματα τις τελευταίες δεκαετίες, η εκπαίδευση αυτών των συστημάτων για να αντιμετωπίζουν με επιτυχία και αξιόπιστα νέα καθήκοντα και εργασίες αποδεικνύεται συχνά δύσκολη και με πολλές προκλήσεις.
Ένα μέρος αυτής της εκπαίδευσης συνεπάγεται με την χαρτογράφηση δεδομένων υψηλής διάστασης (αγγλικά: mapping high-dimensional data), όπως εικόνες που συλλέγονται από ενσωματωμένες κάμερες RGB, σε ρομποτικές ενέργειες προσανατολισμένες σε στόχους.
Ερευνητές του Imperial College London και του Dyson Robot Learning Lab εισήγαγαν πρόσφατα μια μέθοδο που φέρει την ονομασία Render and Diffuse (R&D), μια μέθοδο που ενοποιεί χαμηλού επιπέδου ρομποτικές ενέργειες με τις εικόνες RGB χρησιμοποιώντας εικονικές 3D αναπαραστάσεις ενός ρομποτικού συστήματος.
Αυτή η μέθοδος, που παρουσιάστηκε σε εργασία, η οποία δημοσιεύτηκε στο arXiv preprint serve, θα μπορούσε τελικά να διευκολύνει τη διαδικασία διδασκαλίας νέων δεξιοτήτων στα ρομπότ, μειώνοντας την τεράστια ποσότητα ανθρώπινων παρεμβάσεων στο σύστημα, κάτι που απαιτεί πολύ χρόνο και πολλές διαφορετικές προσεγγίσεις ώστε να επιτευχθεί το απαιτούμενο αποτέλεσμα.
“Το πρόσφατο άρθρο μας είχε ως στόχο να επιτρέψει στους ανθρώπους να διδάξουν νέες δεξιότητες στα ρομπότ αποτελεσματικά, χωρίς την ανάγκη εκτεταμένων επιδείξεων, χωρίς την ανάγκη για εκτεταμένες επιδείξεις”, δήλωσε ο Vitalis Vosylius, διδακτορικός φοιτητής στο Imperial College London και κύριος συγγραφέας της μελέτης. “Οι υπάρχουσες τεχνικές απαιτούν πολλά δεδομένα και είναι κάτι που δυσκολεύει την χωρική γενίκευση (spatial generalization), αποδίδοντας άσχημα όταν τα αντικείμενα τοποθετούνται διαφορετικά από τις επιδείξεις. Αυτό συμβαίνει επειδή η πρόβλεψη ακριβών ενεργειών ως μια ακολουθία αριθμών από εικόνες RGB είναι εξαιρετικά δύσκολη όταν τα δεδομένα είναι περιορισμένα.”
Κατά τη διάρκεια μιας πρακτικής άσκησης στο Dyson Robot Learning, ο Vosylius εργάστηκε σε ένα έργο που οδήγησε στην ανάπτυξη της μεθόδου R&D. Αυτό το έργο είχε ως στόχο να απλοποιήσει το πρόβλημα μάθησης για τα ρομπότ, επιτρέποντας τους να προβλέπουν πιο αποτελεσματικά ενέργειες που θα τους επιτρέψουν να ολοκληρώσουν διάφορες εργασίες.
Σε αντίθεση με τα περισσότερα ρομποτικά συστήματα, ενώ μαθαίνουν νέες χειρωνακτικές δεξιότητες, οι άνθρωποι δεν κάνουν εκτεταμένους υπολογισμούς για να προσδιορίσουν πόσο πρέπει να κινηθούν τα άκρα τους. Αντίθετα, συνήθως προσπαθούν να φανταστούν πως πρέπει να κινηθούν τα χέρια τους για να αντιμετωπίσουν αποτελεσματικά μια συγκεκριμένη εργασία.
“Η μέθοδος μας, Render and Diffuse, επιτρέπει στα ρομπότ να κάνουν κάτι παρόμοιο: δηλαδή να ‘φανταστούν’ τις ενέργειές τους μέσα στην εικόνα χρησιμοποιώντας εικονικές αποδόσεις του δικού τους σώματος”, εξήγησε ο Vosylius. “Η αναπαράσταση των ενεργειών του ρομπότ και των παρατηρήσεων του μαζί -ως εικόνες RGB- μας επιτρέπει να διδάσκουμε στα ρομπότ διάφορες εργασίες με λιγότερες επιδείξεις και να το κάνουμε με βελτιωμένες ικανότητες χωρικής γενίκευσης”.
Για να μάθει ένα ρομπότ να ολοκληρώσει μια νέα εργασία, χρειάζεται πρώτα να προβλέψει τις ενέργειες που πρέπει να εκτελέσει με βάση τις εικόνες που συλλέγονται από τους αισθητήρες του. Η μέθοδος R&D ουσιαστικά επιτρέπει στα ρομπότ να μάθουν πιο αποτελεσματικά αυτή την χαρτογράφηση και αντιστοίχιση μεταξύ εικόνων και ενεργειών.
“Όπως υποδηλώνει το όνομα του, η μέθοδος μας έχει δύο κύρια στοιχεία”, δήλωσε ο Vosylius. “Πρώτον, χρησιμοποιούμε εικονικές αναπαραστάσεις του ρομπότ, επιτρέποντας του να ‘φανταστεί’ τις ενέργειες του με τον ίδιο τρόπο που βλέπει το περιβάλλον. Το κάνουμε αυτό χρησιμοποιώντας αναπαραστάσεις του ρομπότ στη διάταξη στην οποία θα βρισκόταν αν εκτελούσε συγκεκριμένες ενέργειες”.
“Δεύτερον, χρησιμοποιούμε μια διδακτική διαδικασία διάχυσης που βελτιώνει επαναληπτικά αυτές τις φανταστικές ενέργειες, καταλήγοντας τελικά σε μια ακολουθία ενεργειών που χρειάζεται να κάνει το ρομπότ για να ολοκληρώσει την εργασία”.
Χρησιμοποιώντας ευρέως διαθέσιμα 3D μοντέλα ρομπότ και τεχνικές απεικόνισης, η μέθοδος R&D μπορεί να απλοποιήσει σημαντικά την απόκτηση νέων δεξιοτήτων, ενώ παράλληλα δύναται να μειώσει σημαντικά τις απαιτήσεις δεδομένων εκπαίδευσης. Οι ερευνητές αξιολόγησαν τη μέθοδο τους σε μια σειρά προσομοιώσεων και διαπίστωσαν ότι βελτιώνει τις δυνατότητες γενίκευσης των ρομπότ.
Επίσης, δοκίμασαν τις δυνατότητες της μεθόδου τους πάνω στην αντιμετώπιση έξι καθημερινών εργασιών χρησιμοποιώντας ένα πραγματικό ρομπότ. Αυτές οι εργασίες περιελάμβαναν το κατέβασμα του καπάκι της τουαλέτας, το σκούπισμα ενός ντουλαπιού, το άνοιγμα ενός κουτιού, την τοποθέτηση ενός μήλου σε ένα συρτάρι και το άνοιγμα και το κλείσιμο ενός συρταριού.
“Το γεγονός ότι η χρήση εικονικών απεικονίσεων μέσω φωτογραφιών για την απεικόνιση των ενεργειών που πρέπει να εκτελέσει το ρομπότ οδηγεί σε αυξημένη αποδοτικότητα και είναι πραγματικά συναρπαστικό”, δήλωσε ο Vosylius. “Αυτό σημαίνει ότι με την έξυπνη αναπαράσταση των ενεργειών, μπορούμε να μειώσουμε σημαντικά τα δεδομένα που απαιτούνται για την εκπαίδευση των ρομπότ, μειώνοντας τελικά την επίπονη ανάγκη συλλογής μεγάλων ποσοτήτων επιδείξεων.”
Στο μέλλον, η μέθοδος που εισήγαγε αυτή η ομάδα ερευνητών θα μπορούσε να δοκιμαστεί περαιτέρω και να εφαρμοστεί σε άλλες εργασίες που θα αναλάβουν τα ρομπότ. Επιπλέον, τα πολλά υποσχόμενα αποτελέσματα των ερευνητών θα μπορούσαν να εμπνεύσουν την ανάπτυξη παρόμοιων προσεγγίσεων για την απλοποίηση της εκπαίδευσης αλγορίθμων για εφαρμογές ρομποτικής.
“Η δυνατότητα αναπαράστασης των ενεργειών των ρομπότ μέσα σε εικόνες ανοίγει συναρπαστικές δυνατότητες για μελλοντική έρευνα”, πρόσθεσε ο Vosylius. “Είμαι ιδιαίτερα ενθουσιασμένος με το συνδυασμό αυτής της προσέγγισης. Αυτό θα μπορούσε να επιτρέψει στα ρομπότ να αξιοποιήσουν τη γενική γνώση που καταγράφουν αυτά τα μοντέλα, ενώ θα μπορούν να συλλογίζονται πιο εύκολα για τις χαμηλού επιπέδου ενέργειες”.
