Il team dell’Imperial College London sviluppa un metodo di intelligenza artificiale per l’apprendimento per imitazione con pochi esempi padronanza di nuovi compiti del mondo reale con poche dimostrazioni

Il team dell'Imperial College London sviluppa un metodo di intelligenza artificiale per l'apprendimento per imitazione con pochi esempi per acquisire padronanza in nuovi compiti del mondo reale con poche dimostrazioni

Nel panorama in continua evoluzione della robotica e dell’Intelligenza Artificiale, un problema interessante e sfidante è come educare i robot a svolgere compiti su oggetti completamente unici, ossia oggetti che non hanno mai visto o con cui hanno interagito in precedenza. La risposta a questo argomento, che da tempo affascina ricercatori e scienziati, è cruciale per trasformare la robotica. Un robot deve comprendere e posizionare due oggetti in modo specifico lungo la traiettoria di manipolazione al fine di eseguire compiti di manipolazione che richiedono l’interazione con essi.

Un robot deve assicurarsi che l’ugello della teiera e l’apertura della tazza si allineino quando versa il tè dalla teiera nella tazza. Per completare con successo il compito, questo allineamento è essenziale. Tuttavia, gli oggetti della stessa classe spesso hanno forme leggermente diverse, il che complica la definizione di quali porzioni precise debbano allinearsi per una determinata attività. Quando si tratta di apprendimento per imitazione, questo problema diventa ancora più complicato perché il robot deve dedurre l’allineamento specifico al compito dalle dimostrazioni senza avere alcuna informazione precedente sugli oggetti o la loro classe.

Un team di ricercatori ha recentemente affrontato questo problema formulandolo come un compito di apprendimento per imitazione, mettendo l’accento sull’allineamento condizionale attraverso rappresentazioni grafiche degli oggetti. Il team ha sviluppato una tecnica che consente a un robot di acquisire nuove competenze di allineamento e interazione da pochi esempi, che agiscono come contesto per il processo di apprendimento. Hanno chiamato questo metodo allineamento condizionale perché consente al robot di eseguire il compito con un nuovo set di oggetti immediatamente dopo aver visto le dimostrazioni, eliminando la necessità di ulteriore addestramento o conoscenza preventiva della classe dell’oggetto.

• Come la tecnologia Acoustic Touch offre una visione attraverso il suono
• Smettila di essere scarso nel fare networking! Fatti notare in un affollato mercato del lavoro nel campo della scienza dei dati con questi 6 passaggi da seguire obbligatoriamente (da un Data Scientist di Spotify)
• Costruzione di un GenAI CV screener al DataRobot e AWS Hackathon 2023

Attraverso i loro test, i ricercatori hanno esaminato e verificato le decisioni progettuali che hanno preso riguardo alla loro metodologia. Questi test hanno dimostrato quanto bene il loro approccio funziona per raggiungere l’apprendimento in pochi passi per una varietà di compiti comuni nel mondo reale. Il loro approccio si comporta meglio delle tecniche di base, dimostrando la sua superiorità in termini di flessibilità ed efficacia nell’apprendimento di nuovi compiti su vari oggetti.

Il team ha sviluppato una strategia unica per affrontare il problema di consentire ai robot di adattarsi rapidamente a nuovi oggetti e svolgere compiti che hanno osservato essere eseguiti su vari oggetti. Hanno sviluppato un framework flessibile che si comporta bene nell’apprendimento in pochi passi utilizzando rappresentazioni grafiche e allineamento condizionale, e i loro studi offrono una prova empirica di questo. I dettagli del progetto sono disponibili su https://www.robot-learning.uk/implicit-graph-alignment. I video disponibili sulla pagina web del progetto servono come prova aggiuntiva del successo e dell’utilizzo pratico dell’approccio in situazioni del mondo reale.