Cross-Embodiment Transfer via Behavior-Aligned Representations
تقترح هذه الورقة استخدام تمثيلات متوافقة مع السلوك، ولا سيما آثار النهاية الطرفية للمنفذ، ضمن نماذج الرؤية واللغة والعمل لتوحيد بيانات متنوعة عابرة للأجساء وتحسين أداء نقل الروبوت بشكل كبير، محققةً زيادة بنسبة 28% في إكمال المهام في العالم الحقيقي بعد التدريب المسبق في المحاكاة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم روبوت كيفية القيام بالأعمال المنزلية. في عالم تعلم الآلة، هناك فكرة شائعة مفادها أنه إذا قمت بتغذية نموذج بكمية هائلة من البيانات من كل مكان، فإنه سيصبح أكثر ذكاءً مما لو غذّيته بمصدر واحد ومحدد فقط. هذا هو نفس السبب الذي يجعل الإنسان الذي يسافر حول العالم ويتعلم لغات عديدة قادرًا في الغالب على التكيف مع المواقف الجديدة بشكل أفضل من شخص عاش طوال حياته في بلدة صغيرة واحدة فقط. بالنسبة للروبوتات، يعني هذا أننا نريد تدريبها على بيانات تم جمعها من أنواع مختلفة من الروبوتات—بعضها بأذرع طويلة، وبعضها بأذرع قصيرة، وبعضها بمقابض تشبه المخالب، وأخرى تشبه الملاقط. يُسمى هذا "التعلم عبر تعدد الأجساد" (cross-embodiment learning). والهدف هو إنشاء "دماغ عالمي" للروبوت يمكنه التعلم من مكتبة تجارب العديد من الآلات المختلفة، ثم تطبيق تلك المعرفة على روبوت جديد تمامًا لم يره من قبل. ومع ذلك، هناك مشكلة كبيرة: الكاميرا الموجودة على روبوت طويل ترى العالم من زاوية مرتفعة، بينما يرى الروبوت القصير العالم من الأرض. "أيديهم" تتحرك بشكل مختلف، وأوامر الحركة الخاصة بهم مكتوبة بـ "لغات" مختلفة. محاولة خلط هذه البيانات الفوضوية وغير المتطابقة تشبه محاولة تعليم طالب القيادة من خلال عرض فيديوهات لسيارات وشاحنات ودراجات هوائية في آن واحد دون شرح الاختلافات بينها. إنه أمر مربك، وغالبًا ما يصاب الروبوت بالارتباك ويتوقف عن العمل.
هذه الورقة البحثية، التي تحمل عنوان "النقل عبر تعدد الأجساد عبر التمثيلات المتوافقة سلوكيًا"، تعالج هذا الارتباك من خلال طرح سؤال ذكي: بدلًا من محاولة إجبار الروبوتات على أن تبدو أو تتحرك بنفس الطريقة تمامًا، هل يمكننا تعليمها التحدث بـ "لغة سلوكية" مشتركة؟ يقترح المؤلفون، وهم فريق من جامعة ستانفورد ومعهد تويوتا للأبحاث، أنه يمكننا سد الفجوة بين الروبوتات المختلفة من خلال التركيز على "قصة" الحركة بدلاً من الميكانيكا المحددة. إنهم يقترحون استخدام "تمثيلات متوافقة سلوكيًا"—وهي باختًا ملخصات مبسطة لما يحدث، مثل وصف نصي للحركة ("تحرك يسارًا وإلى الأسفل")، أو صندوق مرسوم حول الشيء الذي يتم التقاطه، أو خط يتتبع المسار الذي تسلكه يد الروبوت في الهواء.
اختبر الباحثون هذه الفكرة باستخدام معيار محاكاة جديد قاموا ببنائه يسمى RoboCasa-X. قاموا بتدريب أدمغة الروبوتات (تحديدًا نوع من نماذج الرؤية واللغة والعمل - Vision-Language-Action model) على مجموعات بيانات ضخمة من ثلاثة روبوتات مصدرية مختلفة. ثم حاولوا نقل هذه المعرفة إلى أربعة روبوتات مستهدفة لم تكن موجودة في بيانات التدريب. وقارنوا بين التدريب باستخدام البيانات الخام فقط وبين التدريب مع إضافة هذه "الملخصات السلوكية" الإضافية.
كانت النتائج كاشفة للغاية. وجدت الدراسة أن إضافة هذه الملخصات السلوكية ساعدت الروبوتات بشكل كبير على نقل المهارات إلى أجسام جديدة. ومن بين الأنواع المختلفة من الملخصات التي اختبروها، كانت "آثار النهاية الطرفية" (end-effector traces)—وهي أساسًا المسارات ثنائية الأبعاد التي ترسمها يد الروبوت في رؤية الكاميرا—الأداة الأكثر قوة. عندما تم تدريب الروبوتات باستخدام هذه الآثار، أصبحت أكثر قدرة على التكيف مع الأجهزة الجديدة. في الواقع، عندما أخذت الروبوتات سياسة (policy) تم تدريبها مسبقًا في المحاكاة واختبرتها على روبوتات حقيقية في العالم الواقعي، أدى استخدام هذه التمثيلات إلى تحسين تقدم إنجاز المهام بنسبة 28%.
ومن المثير للاهتمام، اكتشفت الورقة أيضًا أنك لست بحاجة بالضرورة إلى أن "يفكر" الروبوت في هذه الآثار أثناء قيامه بالمهمة فعليًا. فقد تعلمت النماذج بشكل أفضل عندما تم تدريبها على التنبؤ بهذه الآثار جنبًا إلى جنب مع الإجراءات، ولكن أثناء العمل الفعلي، كان التنبؤ بالإجراء مباشرة يعمل بنفس الكفاءة. هذا يشير إلى أن الآثار ساعدت الروبوت على تعلم المنطق الأساسي للمهمة أثناء التدريب، حيث عملت بمثابة "عجلات تدريب" يمكن إزالتها لاحقًا. علاوة على ذلك، أظهر الفريق أن هذه التمثيلات يمكن أن تساعد الروبوتات حتى في التعلم من البيانات التي لا تتضمن أوامر حركة على الإطلاق (البيانات الخالية من الأوامر)، طالما كانت الملخصات السلوكية موجودة.
يشير المؤلفون بحذر إلى أنه بينما تعمل طريقتهم بشكل جيد في اختبارات المحاكاة والعالم الحقيقي المحددة الخاصة بهم، إلا أنها تعتمد على وجود قدر من التشابه في مهام الروبوتات وإعدادات الكاميرا. هم لم يثبتوا أن هذا يعمل لكل اختلاف ممكن بين الروبوتات، لكن تجاربهم تشير بقوة إلى أن منح الروبوتات "مفردات سلوكية" مشتركة هو وسيلة واعدة لجعلها أكثر قدرة على التكيف. من خلال التركيز على "ماذا" و"كيف" الحركة بدلاً من "من" (نموذج الروبوت)، وجدوا طريقة لجعل المكتبة الضخمة والفوضوية لبيانات الروبوتات مفيدة حقًا لبناء آلات أكثر ذكاءً ومرونة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.