MIT minggu ini memamerkan model baru untuk melatih robot. Dibandingkan dengan kumpulan data terfokus standar yang digunakan untuk mengajarkan tugas-tugas baru kepada robot, metode ini menjadi lebih berguna, meniru kumpulan informasi yang sangat besar yang digunakan untuk melatih model bahasa besar (LLM).
Para peneliti mencatat bahwa pembelajaran imitasi – di mana agen belajar dengan mengikuti individu yang melakukan suatu tugas – bisa gagal ketika tantangan kecil muncul. Ini bisa berupa hal-hal seperti pencahayaan, suasana berbeda, atau hambatan baru. Dalam skenario tersebut, robot tidak memiliki cukup data untuk beradaptasi.
Tim menggunakan model seperti GPT-4 untuk semacam pendekatan data brute force dalam pemecahan masalah.
“Dalam domain bahasa, semua datanya hanyalah kalimat,” kata Lirui Wang, penulis utama makalah baru ini. “Dalam robotika, mengingat semua heterogenitas data, jika Anda ingin melakukan pra-latihan dengan cara yang sama, kita memerlukan arsitektur yang berbeda.”
Tim memperkenalkan arsitektur baru yang disebut Heterogeneous Pretrained Transformers (HPT), yang mengumpulkan informasi dari berbagai sensor dan lingkungan berbeda. Sebuah transformator kemudian digunakan untuk mengumpulkan data ke dalam model pelatihan. Semakin besar trafo, semakin baik keluarannya.
Pengguna kemudian memasukkan desain robot, konfigurasi, dan pekerjaan yang ingin dilakukan.
“Impian kami adalah memiliki otak robot universal yang dapat Anda unduh dan gunakan untuk robot Anda tanpa pelatihan apa pun,” kata David Held, profesor di CMU, tentang penelitian tersebut. “Meskipun kami masih dalam tahap awal, kami akan terus berusaha keras dan berharap penskalaan akan menghasilkan terobosan dalam kebijakan robotik, seperti yang terjadi pada model bahasa besar.”
Penelitian ini sebagian didirikan oleh Toyota Research Institute. Tahun lalu di TechCrunch Disrupt, TRI meluncurkan metode pelatihan robot dalam semalam. Baru-baru ini, mereka menjalin kemitraan yang akan menyatukan penelitian pembelajaran robot dengan perangkat keras Boston Dynamics.
