Decoupled Thinking, Learning, and Action for Continually Growing Autonomous Robots
Questo articolo propone il framework Decoupled Thinking–Learning–Action (D-TLA), che consente ai robot autonomi di adattarsi continuamente attraverso moduli indipendenti ma interagenti che mantengono le prestazioni di routine migliorando significativamente il riconoscimento di eventi rari e il successo in compiti nuovi.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immaginate un robot che non si limita a seguire uno script, ma che può riflettere su un problema, imparare da ciò che accade e poi agire sulla base di tale conoscenza. Affinché una macchina possa funzionare davvero nel mondo reale, deve fare tre cose continuamente: deve ragionare su ciò che sta accadendo in questo momento, deve trasformare le esperienze passate in abilità che possa riutilizzare e deve muovere il proprio corpo per cambiare il mondo o raccogliere nuove informazioni. Per molto tempo, gli ingegneri hanno cercato di costruire queste capacità all'interno di una catena singola e strettamente collegata dove il robot pensa, poi impara, poi agisce, in questo ordine rigoroso. Ma questo approccio presenta un difetto. Se il robot rimane bloccato a riflettere su un problema difficile, smette di muoversi e smette di imparare, anche se potrebbe facilmente continuare il suo lavoro quotidiano. La sfida è lasciare che queste tre parti della mente lavorino contemporaneamente senza intralciarsi a vicenda, pur permettendo loro di comunicare quando necessario.
Un ricercatore della Chengdu University of Information Technology ha proposto un nuovo modo per costruire queste macchine, chiamato framework Decoupled Thinking–Learning–Action (Pensiero–Apprendimento–Azione Disaccoppiati). Invece di costringere il robot ad aspettare che un cervello centrale dia ordini per ogni singolo passaggio, hanno progettato un sistema in cui il pensiero, l'apprendimento e l'azione sono tre processi indipendenti che girano fianco a fianco. Operano come tre operai separati in un'officina che non hanno bisogno di chiedere il permesso per svolgere il proprio lavoro, ma che possono lasciarsi dei messaggi l'un l'altro per migliorare il prodotto finale. Il modulo del pensiero può suggerire un modo più sicuro di muoversi o indicare cosa deve essere appreso, ma non blocca il modulo dell'azione se quest'ultimo è impegnato a risolvere un puzzle diverso. Allo stesso modo, il modulo dell'apprendimento può continuare a studiare errori e successi passati in background, anche mentre il robot è impegnato a riflettere su un nuovo pericolo. Questa separazione permette al robot di continuare a lavorare e migliorare senza fermarsi, anche quando il suo processo di ragionamento è occupato.
Il ricercatore ha testato questa idea in un magazzino simulato dove un robot doveva spostare pacchi. In un test, hanno costretto il processo di pensiero del robot a incagliarsi su un difficile problema di identità per un po', simulando una situazione in cui la macchina è confusa su cos'è un oggetto. Nei sistemi più vecchi, dove il robot doveva aspettare che il processo di pensiero finisse prima di fare qualsiasi altra cosa, il robot smetteva di muoversi e non riusciva a completare le sue routine lavorative. Il tasso di successo per questi lavori di routine scendeva a circa la metà quando il processo di pensiero era impegnato per molto tempo. Al contrario, il nuovo sistema continuava a lavorare perfettamente. Ha completato il cento per cento dei suoi lavori di trasporto di routine e ha continuato a imparare dalle proprie azioni, anche mentre la parte del pensiero era occupata. Fondamentalmente, il sistema non ha solo lasciato che il robot agisse senza controllo; il modulo del pensiero poteva comunque inviare una nota per fermare il robot se stava per compiere qualcosa di pericoloso. Quando il ricercatore ha rimosso questa capacità di inviare note di sicurezza, il robot ha iniziato a compiere mosse insicure quasi l'ottanta per cento delle volte. Ciò ha dimostrato che le tre parti potevano lavorare indipendentemente senza isolarsi l'una dall'altra.
Il secondo test ha esaminato come il robot impara quando affronta un problema raro e complicato. Il ricercatore ha creato una situazione in cui un pacco sembrava integro all'inizio, ma si sarebbe decomposto solo dopo che il robot lo avesse spostato per un certo periodo. Ciò richiedeva al robot di comprendere un modello nel tempo, non solo un singolo scatto fotografico. Un robot che si limitava ad aspettare che questi rari incidenti accadessero naturalmente mentre lavorava, imparava a riconoscerli solo nel settanta per cento dei casi. Perdeva completamente i modelli più difficili. Il nuovo sistema, tuttavia, ha usato il suo modulo di pensiero per rendersi conto di quale tipo specifico di esperienza mancasse. La parte del pensiero ha quindi detto al modulo dell'azione di eseguire deliberatamente certi movimenti per creare esattamente le condizioni necessarie per vedere accadere il guasto. Guidando il robot a raccogliere il tipo giusto di dati, il sistema ha imparato a riconoscere questi rari guasti quasi perfettamente, raggiungendo un tasso di successo del novantasette per cento. Il robot non ha solo ottenuto più dati; ha ottenuto i dati giusti perché il suo processo di pensiero sapeva cosa mancava.
Il test finale ha mostrato che questo apprendimento poteva andare nell'altro verso, cambiando il modo in cui il robot pensa in futuro. Il robot è stato addestrato su un insieme di problemi noti, ma poi ha affrontato una situazione nuova e complessa che combinava diversi pericoli contemporaneamente. Il vecchio modo di pensare, che aveva un elenco fisso di risposte, non è riuscito a gestire questa nuova combinazione, avendo successo solo circa il quattordici per cento delle volte. Il nuovo sistema, invece, ha analizzato i suoi fallimenti passati e ha capito di aver bisogno di un nuovo modo di pensare per gestire questa specifica combinazione di problemi. Ha generato una nuova attività di pensiero, l'ha testata e l'ha integrata nella sua mente. Dopo questa fase di apprendimento, il robot è riuscito a gestire la nuova situazione complessa il settantaquattro per cento delle volte. Sorprendentemente, non ha perso la capacità di gestire i problemi vecchi e familiari; ha mantenuto il suo tasso di successo del novantasei per cento su quelli. Il robot aveva sviluppato una nuova capacità senza dimenticare le precedenti.
Questa ricerca suggerisce che, affinché i robot possano davvero adattarsi e crescere nel lungo periodo, hanno bisogno di una struttura che permetta loro di pensare, imparare e agire come flussi separati ma connessi. Lasciando che questi processi operino indipendentemente, il robot evita di rimanere bloccato quando una parte è occupata. Permettendo loro di influenzarsi a vicenda attraverso suggerimenti piuttosto che comandi, il robot può rimanere sicuro e raccogliere le informazioni giuste per imparare. I risultati dimostrano che questo approccio permette a una macchina di diventare più capace e sicura nel tempo, risolvendo nuovi problemi mentre ricorda come risolvere i vecchi, il tutto senza la necessità di un singolo controllore centrale che gestisca ogni momento della sua esistenza.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.