Roboty uczą się nowych umiejętności w 29 sekund po obejrzeniu jednego filmu - rewolucja w robotyce!

Podczas gdy ludzkość spędza lata na zdobywaniu podstawowych umiejętności, deweloperzy z grupy powiązanej z X Square Robot postanowili przyspieszyć ewolucję technologii. Na serwisie preprintów arXiv pojawił się opis metody HOST (Human-to-robot One-Shot Skill AcquisiTion). Jej istota jest prosta: robot ogląda jedno wideo z człowiekiem i od razu próbuje powtórzyć to, co zobaczył, nie tracąc godzin na ponowne uczenie się sieci neuronowej.

Cyfrowe małpowanie bez zbędnego wysiłku

Główną cechą HOST jest to, że nie wykorzystuje demonstracji jako nowego zestawu danych do nauki. Zamiast zmieniać wagi sieci neuronowej (co jest czasochłonne i kosztowne), system przekształca wideo w „podpowiedź kontekstową”. Model zostaje zamrożony, ale otrzymuje wyraźną instrukcję, czego się od niego oczekuje w danym momencie.

Mechanika procesu wygląda następująco: system analizuje film, na którym człowiek wykonuje zadanie — na przykład przenosi przedmiot z jednego pojemnika do drugiego. HOST ocenia etap wykonania, a następnie prognozuje, jak ten sam etap powinien wyglądać z punktu widzenia sensoryki i „ciała” samego robota. Następnie algorytm tworzy łańcuch działań w celu osiągnięcia rezultatu. Żadnych setek powtórzeń czy ręcznego oznaczania — jedno oglądanie i jedno przejście.

Szybkość kontra niezawodność: 29 sekund na przemyślenie

W praktyce „przyswajanie” nowej umiejętności zajmuje średnio tylko 29 sekund. To imponujące, jeśli porównać z tradycyjnym dopracowywaniem (fine-tuning). Autorzy twierdzą, że HOST działa 507 razy szybciej niż metody wymagające 50 demonstracji dla każdego zadania. Postęp w porównaniu z podejściem „zero-shot” (gdy robot działa bez podpowiedzi) jest również oczywisty: skuteczność wzrosła z 17% do 62%.

Jednak na otwieranie szampana jest za wcześnie. Wynik 62% oznacza, że prawie w czterech przypadkach na dziesięć maszyna popełnia błąd. Dla współczesnej robotyki to dobry wynik badawczy, ale dla prawdziwej produkcji taka niezawodność jest zbyt niska. Ponadto testy przeprowadzano w „sterylnych” warunkach: na własnych platformach deweloperów i z obiektami, które są im znane. Jak HOST zachowa się w nieznanym pomieszczeniu z nieznanym sprzętem — pozostaje pytaniem otwartym.

Perspektywy dla przemysłu

Dla inżynierów HOST jest interesujący przede wszystkim koncepcyjnie. Jeśli społeczność zdoła odtworzyć wyniki i podnieść skuteczność choćby do 85-90%, dzięki lepszej ocenie postępu, metoda może stać się standardem szybkiego przystosowania przemysłowych manipulatorów. Możliwość „wytłumaczenia” robocie nowego zadania w pół minuty bez angażowania programistów to dokładnie to, czego współczesnym fabrykom brakuje.

Podczas gdy HOST uczy manipulatory podstawowych ruchów, duże firmy przygotowują bardziej złożone systemy — na przykład, LG przygotowuje dwunożnego humanoida na bazie technologii Nvidia, którego premiera zaplanowana jest na 2027 rok.