I ricercatori del MIT e dell’UC Berkeley hanno introdotto un framework che permette agli umani di insegnare rapidamente a un robot ciò che vogliono che faccia con un minimo sforzo.

I ricercatori del MIT e dell'UC Berkeley hanno creato un framework per insegnare rapidamente ai robot ciò che gli umani vogliono.

In collaborazione con la New York University e l’Università della California a Berkeley, i ricercatori del MIT hanno ideato un framework rivoluzionario che permette agli esseri umani di insegnare in modo efficace ai robot come svolgere compiti domestici con uno sforzo minimo. Questo approccio innovativo potrebbe migliorare significativamente l’adattabilità dei robot in nuovi ambienti, rendendoli più capaci di assistere gli anziani e le persone con disabilità in diverse situazioni.

La sfida principale che i robot devono affrontare è la loro limitata capacità di gestire scenari imprevisti o oggetti che non hanno incontrato durante l’addestramento. Di conseguenza, i robot spesso non riescono a riconoscere e svolgere compiti che coinvolgono oggetti sconosciuti. Le attuali metodologie di addestramento lasciano gli utenti nel buio riguardo al motivo del fallimento del robot, portando a un processo di rinstradamento frustrante e lungo.

I ricercatori del MIT spiegano che l’assenza di meccanismi per identificare le cause del fallimento e fornire un feedback ostacola il processo di apprendimento. Per affrontare questo problema, i ricercatori hanno sviluppato un framework basato su algoritmi che genera spiegazioni controfattuali quando il robot non riesce a completare un compito. Queste spiegazioni offrono indicazioni sulle modifiche necessarie affinché il robot riesca a successo.

• Microsoft AI propone MM-REACT un paradigma di sistema che combina ChatGPT ed esperti di visione per un ragionamento multimodale avanzato e azione.
• Incontra Automated Reasoning And Tool-Use (ART) un framework che utilizza i modelli di linguaggio di grandi dimensioni congelati (LLMs) per produrre rapidamente fasi intermedie nei programmi di ragionamento.
• L’ex CEO di Google per potenziare l’esercito degli Stati Uniti con l’IA e il Metaverso

Quando si trova di fronte a un fallimento, il sistema genera un insieme di spiegazioni controfattuali che illustrano quali cambiamenti avrebbero permesso al robot di completare con successo il compito. All’utente umano vengono quindi presentate queste spiegazioni controfattuali e gli viene chiesto di fornire un feedback sul fallimento. Questo feedback, combinato con le spiegazioni generate, viene utilizzato per creare nuovi dati che perfezionano le prestazioni del robot.

La perfezione consiste nel modificare un modello di apprendimento automatico già addestrato per un compito in modo da svolgere in modo efficiente un compito simile ma distintivo. Attraverso questo approccio, i ricercatori sono stati in grado di addestrare i robot in modo più efficiente ed efficace rispetto ai metodi convenzionali, riducendo il tempo richiesto dall’utente.

Un modo comune per rinstradare un robot per un compito specifico è attraverso l’apprendimento per imitazione, in cui l’utente dimostra l’azione desiderata. Tuttavia, questo metodo tradizionale può portare il robot a sviluppare una comprensione limitata, come ad esempio associare una tazza a un colore specifico. I ricercatori spiegano che insegnare a un robot a riconoscere che una tazza è una tazza, indipendentemente dal suo colore, potrebbe essere noioso e richiedere numerose dimostrazioni.

Per superare questa limitazione, il sistema dei ricercatori identifica l’oggetto specifico con cui l’utente vuole che il robot interagisca e determina quali aspetti visivi sono insignificanti per il compito. Genera quindi dati sintetici modificando questi elementi visivi “non importanti” attraverso un processo noto come data augmentation.

Il framework segue un processo in tre fasi:

1. Presenta il compito che ha portato al fallimento del robot.
2. Raccoglie una dimostrazione dall’utente per capire le azioni desiderate.
3. Genera spiegazioni controfattuali esplorando possibili modifiche per consentire il successo del robot.

Incorporando il feedback umano e generando una moltitudine di dimostrazioni aumentate, il sistema perfeziona in modo più efficiente il processo di apprendimento del robot.

I ricercatori hanno condotto studi per valutare l’efficacia del loro framework, coinvolgendo utenti umani a cui è stato chiesto di identificare elementi che potevano essere cambiati senza influire sul compito. I risultati hanno dimostrato che gli esseri umani eccellono in questo tipo di ragionamento controfattuale, evidenziando l’efficacia di questo passaggio nel collegare il ragionamento umano con quello dei robot.

I ricercatori hanno convalidato il loro approccio attraverso simulazioni, in cui i robot sono stati addestrati per compiti come la navigazione verso un oggetto obiettivo, lo sblocco delle porte e il posizionamento di oggetti su tavoli. In ogni caso, il loro metodo ha superato le tecniche convenzionali, consentendo ai robot di imparare più velocemente e con meno dimostrazioni umane.

In futuro, i ricercatori mirano a implementare il loro framework su robot reali e continuare a esplorare modi per ridurre il tempo necessario per creare nuovi dati utilizzando modelli generativi di apprendimento automatico. L’obiettivo finale è dotare i robot di un pensiero astratto simile a quello umano, consentendo loro di comprendere compiti e contesti in modo migliore.

L’implementazione di successo di questo framework ha il potenziale per rivoluzionare il campo della robotica, aprendo la strada a robot altamente adattabili e versatili che possono integrarsi senza soluzione di continuità nella nostra vita quotidiana, offrendo preziosa assistenza e supporto in diversi ambienti.