Fare le valigie con l’aiuto dei robot: i ricercatori hanno convinto una famiglia di modelli di intelligenza artificiale generativa a lavorare insieme per risolvere problemi di manipolazione dei robot in più fasi.
Chiunque abbia mai provato a stipare un bagaglio a misura di famiglia in un bagagliaio delle dimensioni di una berlina sa che questo è un problema difficile. Robot lottare anche con compiti di imballaggio densi.
I ricercatori del MIT stanno utilizzando modelli di intelligenza artificiale generativa per aiutare i robot a risolvere in modo più efficiente problemi complessi di manipolazione di oggetti, come imballare una scatola con oggetti diversi. Illustrazione dei ricercatori/MIT
Per il robot, risolvere il problema dell’imballaggio implica soddisfare molti vincoli, come impilare i bagagli in modo che le valigie non cadano fuori dal bagagliaio, gli oggetti pesanti non siano posizionati sopra quelli più leggeri e le collisioni tra il braccio robotico e il paraurti dell’auto. vengono evitati.
Alcuni metodi tradizionali affrontano questo problema in sequenza, ipotizzando una soluzione parziale che soddisfi un vincolo alla volta e quindi controllando se altri vincoli sono stati violati. Con una lunga sequenza di azioni da intraprendere e una pila di bagagli da imballare, questo processo può richiedere molto tempo per i robot.
I ricercatori del MIT hanno utilizzato una forma di intelligenza artificiale generativa, chiamata modello di diffusione, per risolvere questo problema in modo più efficiente. Il loro metodo utilizza una raccolta di modelli di apprendimento automatico, ciascuno dei quali è addestrato a rappresentare un tipo specifico di vincolo. Questi modelli vengono combinati per generare soluzioni globali al problema dell’imballaggio, tenendo conto di tutti i vincoli contemporaneamente.
Il loro metodo è stato in grado di generare soluzioni efficaci più velocemente di altre tecniche e ha prodotto un numero maggiore di soluzioni di successo nello stesso lasso di tempo. È importante sottolineare che la loro tecnica è stata anche in grado di risolvere problemi con nuove combinazioni di vincoli e un numero maggiore di oggetti, che i modelli non vedevano durante l’addestramento.
Grazie a questa generalizzabilità, la loro tecnica può essere utilizzata per insegnare ai robot come comprendere e soddisfare i vincoli generali dei problemi di imballaggio, come l’importanza di evitare collisioni o il desiderio che un oggetto sia accanto a un altro oggetto.
Questa figura mostra l’impilamento di oggetti 3D con vincoli di stabilità. I ricercatori affermano che almeno un oggetto è supportato da più oggetti. Credito immagine: per gentile concessione dei ricercatori / MIT
I robot addestrati in questo modo potrebbero essere applicati a un’ampia gamma di compiti complessi in ambienti diversi, dall’evasione degli ordini in un magazzino all’organizzazione di uno scaffale a casa di qualcuno.
“La mia visione è quella di spingere i robot a svolgere compiti più complicati che hanno molti vincoli geometrici e decisioni più continue da prendere: questi sono i tipi di problemi che i robot di servizio devono affrontare nei nostri ambienti umani non strutturati e diversificati.
Con il potente strumento dei modelli di diffusione compositiva, ora possiamo risolvere questi problemi più complessi e ottenere ottimi risultati di generalizzazione”, afferma Zhutian Yang, uno studente laureato in ingegneria elettrica e informatica e autore principale di uno studio articolo su questa nuova tecnica di apprendimento automatico.
Questa figura mostra esempi di imballaggio triangolare 2D. Queste sono configurazioni senza collisioni. Credito immagine: per gentile concessione dei ricercatori / MIT
I suoi coautori includono gli studenti laureati del MIT Jiayuan Mao e Yilun Du; Jiajun Wu, assistente professore di informatica alla Stanford University; Joshua B. Tenenbaum, professore presso il Dipartimento di scienze cerebrali e cognitive del MIT e membro del Laboratorio di informatica e intelligenza artificiale (CSAIL); Tomás Lozano-Pérez, professore di informatica e ingegneria del MIT e membro del CSAIL; e l’autore senior Leslie Kaelbling, professore di informatica e ingegneria Panasonic al MIT e membro del CSAIL.
La ricerca sarà presentata alla Conferenza sul Robot Learning.
Complicazioni di vincoli per i robot
I problemi di soddisfazione dei vincoli continui sono particolarmente impegnativi per i robot. Questi problemi compaiono nelle attività di manipolazione del robot in più fasi, come imballare oggetti in una scatola o apparecchiare una tavola.
Spesso comportano il rispetto di una serie di vincoli, inclusi vincoli geometrici, come evitare collisioni tra il braccio del robot e l’ambiente; vincoli fisici, come impilare oggetti in modo che siano stabili; e vincoli qualitativi, come posizionare un cucchiaio alla destra di un coltello.
Possono esserci molti vincoli e variano a seconda dei problemi e degli ambienti a seconda della geometria degli oggetti e dei requisiti specificati dall’uomo.
Per risolvere questi problemi in modo efficiente, i ricercatori del MIT hanno sviluppato una tecnica di apprendimento automatico chiamata Diffusione-CCSP. I modelli di diffusione imparano a generare nuovi campioni di dati che assomigliano ai campioni in un set di dati di addestramento perfezionando in modo iterativo il loro output.
Per fare ciò, i modelli di diffusione apprendono una procedura per apportare piccoli miglioramenti a una potenziale soluzione. Quindi, per risolvere un problema, iniziano con una soluzione casuale, pessima, per poi migliorarla gradualmente.
Utilizzando modelli di intelligenza artificiale generativa, i ricercatori del MIT hanno creato una tecnica che potrebbe consentire ai robot di risolvere in modo efficiente problemi di soddisfazione di vincoli continui, come imballare oggetti in una scatola evitando collisioni, come mostrato in questa simulazione. Illustrazione dei ricercatori/MIT
Ad esempio, immagina di posizionare piatti e utensili in modo casuale su un tavolo simulato, consentendo loro di sovrapporsi fisicamente. I vincoli senza collisioni tra gli oggetti faranno sì che essi si allontanino a vicenda, mentre i vincoli qualitativi trascineranno il piatto al centro, allineeranno i pezzi di insalata e quelli della cena, ecc.
I modelli di diffusione sono adatti per questo tipo di problema di soddisfazione continua dei vincoli perché le influenze di più modelli sulla posa di un oggetto possono essere composte per incoraggiare la soddisfazione di tutti i vincoli, spiega Yang. Partendo ogni volta da un’ipotesi iniziale casuale, i modelli possono ottenere un insieme diversificato di buone soluzioni.
Robot che lavorano insieme
Per Diffusion-CCSP, i ricercatori volevano catturare l’interconnessione dei vincoli. Nell’imballaggio, ad esempio, un vincolo potrebbe richiedere che un determinato oggetto sia accanto a un altro oggetto, mentre un secondo vincolo potrebbe specificare dove deve essere posizionato uno di quegli oggetti.
Diffusion-CCSP apprende una famiglia di modelli di diffusione, con uno per ciascun tipo di vincolo. I modelli vengono addestrati insieme, quindi condividono alcune conoscenze, come la geometria degli oggetti da imballare.
I modelli poi lavorano insieme per trovare soluzioni, in questo caso posizioni per gli oggetti da posizionare, che soddisfino congiuntamente i vincoli.
“Non sempre arriviamo a una soluzione al primo tentativo. Ma quando continui a perfezionare la soluzione e si verifica qualche violazione, ciò dovrebbe portarti a una soluzione migliore. Ottieni una guida quando commetti qualcosa di sbagliato”, afferma.
L’addestramento di singoli modelli per ciascun tipo di vincolo e la successiva combinazione per effettuare previsioni riducono notevolmente la quantità di dati di addestramento richiesti, rispetto ad altri approcci.
Tuttavia, l’addestramento di questi modelli richiede ancora una grande quantità di dati che dimostrino i problemi risolti. Gli esseri umani dovrebbero risolvere ogni problema con metodi tradizionali lenti, rendendo proibitivo il costo per generare tali dati, afferma Yang.
Invece, i ricercatori hanno invertito il processo trovando prima le soluzioni. Hanno utilizzato algoritmi veloci per generare scatole segmentate e inserire una serie diversificata di oggetti 3D in ogni segmento, garantendo un imballaggio compatto, pose stabili e soluzioni prive di collisioni.
“Con questo processo, la generazione dei dati è quasi istantanea nella simulazione. Possiamo generare decine di migliaia di ambienti in cui sappiamo che i problemi sono risolvibili”, afferma.
Formati utilizzando questi dati, i modelli di diffusione lavorano insieme per determinare le posizioni in cui gli oggetti dovrebbero essere posizionati dalla pinza robotica che realizza l’attività di imballaggio rispettando tutti i vincoli.
Hanno condotto studi di fattibilità e poi hanno dimostrato Diffusion-CCSP con un vero robot risolvendo una serie di problemi difficili, tra cui l’inserimento di triangoli 2D in una scatola, l’imballaggio di forme 2D con vincoli di relazione spaziale, l’impilamento di oggetti 3D con vincoli di stabilità e l’imballaggio di oggetti 3D con un braccio robotico.
Il loro metodo ha sovraperformato altre tecniche in molti esperimenti, generando un maggior numero di soluzioni efficaci che erano stabili e prive di collisioni.
In futuro, Yang e i suoi collaboratori vogliono testare Diffusion-CCSP in situazioni più complicate, ad esempio con robot che possono muoversi in una stanza. Vogliono inoltre consentire a Diffusion-CCSP di affrontare problemi in diversi ambiti senza la necessità di essere riqualificati su nuovi dati.
“Diffusion-CCSP è una soluzione di apprendimento automatico che si basa su potenti modelli generativi esistenti”, afferma Danfei Xu, assistente professore presso la School of Interactive Computing presso il Georgia Institute of Technology e ricercatore presso NVIDIA AI, che non è stato coinvolto con questo lavoro.
“Può generare rapidamente soluzioni che soddisfano simultaneamente più vincoli componendo modelli di vincoli individuali noti. Sebbene sia ancora nelle prime fasi di sviluppo, i progressi in corso in questo approccio promettono di consentire sistemi autonomi più efficienti, sicuri e affidabili in varie applicazioni”.
Scritto da Adam Zewe
Da un’altra testata giornalistica. news de www.technology.org
