Исследователи разработали ИИ, позволяющий роботу создавать сложные планы, используя всю свою руку

Исследователи создали ИИ, чтобы робот мог создавать сложные планы с помощью своей руки

Для роботов сложное умение манипулировать всем телом, которое приходит естественно для людей, представляет собой вызов для машин. Но теперь исследователи Массачусетского технологического института (MIT) используют силу искусственного интеллекта для решения этой проблемы с помощью робототехники, представляя новый подход, известный как планирование манипуляции с богатыми контактами.

Согласно статье, эта техника использует стратегии сглаживания, управляемые искусственным интеллектом, для упрощения сложности суждений, необходимых для эффективного планирования робототехнической манипуляции. С учетом миллиардов потенциальных контактных событий, эти методы сглаживания предоставляют возможность выделить лучший возможный план манипуляции из огромного множества случаев контакта.

Недавние достижения в области обучения с подкреплением помогли продвинуться вперед в развитии контактно-богатой динамики. Это достижение ранее ускользало от традиционных модельно-ориентированных техник. В то время как причины успеха обучения с подкреплением изначально были неясны, исследователи сосредоточились на раскрытии основных факторов с точки зрения модельно-ориентированного подхода.

• Широкие горизонты выступление NVIDIA указывает на дальнейшие успехи в области искусственного интеллекта
• Это новое исследование ИИ продвигает анализ структуры белка, интегрируя предварительно обученные модели языка белка в сети глубокого геометрического обучения.
• Исследователи из Стэнфорда представляют DSPy искусственный интеллект AI-фреймворк для решения сложных задач с помощью моделей языка (LMs) и моделей извлечения (RMs).

Одной из главных проблем является сложная природа контактной динамики, которая создает трудности для планирования прикосновения с точки зрения модельно-ориентированного подхода. Поэтому исследователи предложили решение, представив выпуклую, дифференцируемую модель квазидинамической контактной динамики.

Эта модель не только улучшает предсказательные возможности, но также решает проблемы, связанные с несглаженной динамикой, делая традиционные линейные модели непригодными. Интеграция сглаживания режима контакта с планированием движения на основе выборки является еще одним существенным шагом.

Во время интервью с MIT News Х.Дж. Терри Су, аспирантом по электротехнике и компьютерным наукам (EECS) и соавтором статьи о технике, сказал: “Вместо того, чтобы думать об этой системе как о черном ящике, если мы можем использовать структуру таких робототехнических систем с помощью моделей, то есть возможность ускорить весь процесс попыток принятия решений и разработки планов с богатыми контактами”.

Подход исследователей позволяет роботам эффективно планировать в течение нескольких минут, сохраняя обобщаемость в различных средах и задачах – мощную альтернативу ресурсоемким методам обучения с подкреплением.

Слияние сглаживания режима и Rapidly-exploring Random Trees, или RRT, открывает дверь к эффективному глобальному планированию движения для высокоразмерных систем с богатыми контактами. Эта сходимость использует локальные приближения, направляемые метрикой Махаланобиса, обеспечивая всестороннее исследование и оптимизацию траектории.

Что это значит для тех, кто не связан с робототехникой? Ну, довольно много. Эта новая техника обещает помочь изменить ландшафт робототехники, расширяя границы того, что машины могут достичь в области манипуляции и взаимодействия.

Со временем это также может привести к прогрессу в робототехнике, позволяющему увеличить сложность задач и уменьшить необходимость в физическом труде человека. Что в теории может позволить роботам выполнять более опасные задачи, снижая риски, связанные с человеческой жизнью.