Specjaliści z MIT wykorzystują sztuczną inteligencję do uczenia robotów lepszego pakowania rzeczy na małej przestrzeni

Naukowcy z Massachusetts Institute of Technology (MIT) zaprezentowali zaawansowaną metodologię opartą na generatywnych modelach sztucznej inteligencji, która znacznie poprawia wydajność systemów robotycznych podczas manipulowania obiektami w ograniczonych przestrzeniach.

Naukowcy z MIT wykorzystują generatywne modele sztucznej inteligencji, aby pomóc robotom w skutecznym rozwiązywaniu złożonych zadań manipulacji obiektami, w tym pakowania różnych obiektów. Pakowanie obiektów jest trudnym zadaniem dla robotów, ponieważ wymaga spełnienia wielu ograniczeń, takich jak unikanie kolizji i tworzenie stabilnych struktur.
Tradycyjne metody rozwiązywania tego problemu działają sekwencyjnie i mogą być bardzo czasochłonne.

Naukowcy z MIT wykorzystali generatywny model dyfuzyjny do bardziej efektywnego rozwiązania tego problemu, który obejmuje trenowanie modeli reprezentujących różne rodzaje ograniczeń. Ich podejście pozwala im tworzyć skuteczne rozwiązania szybciej i dla większej liczby obiektów, biorąc pod uwagę wszystkie ograniczenia jednocześnie. Metoda ta może być wykorzystywana do szkolenia robotów w zakresie rozumienia i przestrzegania typowych ograniczeń związanych z pakowaniem obiektów, co jest ważne w różnych scenariuszach, od pracy w magazynie w celu realizacji zamówień po organizowanie półki z książkami w domu.

Co zostało zademonstrowane na filmie

Wieloetapowe sterowanie robotem wiąże się z wieloma ograniczeniami. Metoda Diffusion-CCSP (pokazana na poniższym filmie) skutecznie znajduje rozwiązanie, poprawiając je poprzez optymalizację funkcji. Zamiast zgadywać, wykorzystuje modele dyfuzyjne do optymalizacji ograniczeń. Metoda ta jest trenowana w symulacjach i może obsługiwać problemy z większą liczbą obiektów i ograniczeń niż wcześniej.

Naukowcy planują zbadać możliwość zastosowania tej metody w bardziej złożonych sytuacjach i dla robotów, które mogą poruszać się po pomieszczeniu bez konieczności ponownego szkolenia na nowych danych. Takie podejście otwiera możliwość opracowania bardziej wydajnych i niezawodnych systemów autonomicznych w różnych zastosowaniach.

Dlaczego to ważne.

Nowe metody opracowane w MIT sprawiają, że roboty lepiej radzą sobie ze złożonymi zadaniami, takimi jak pakowanie. Z pomocą sztucznej inteligencji uczą się one unikać problemów i efektywnie wykorzystywać przestrzeń. Jest to bardzo ważne, ponieważ teraz roboty mogą pomóc nie tylko w magazynach, ale także w domu. Będą również w stanie wykonywać bardziej złożone zadania, w których wszystko wokół nich stale się zmienia.

Źródło: mit.edu