Lidia PerskaForskarna Sergey Levine och Karol Hausman har avslöjat ett banbrytande projekt som syftar till att skapa en enda superhjärna som klarar av att kontrollera vilken robot som helst, oavsett dess olikheter. I samarbete med 32 andra robotlaboratorier över hela Nordamerika, Europa och Asien inledde Levine och Hausman det ambitiösa RT-X-projektet år 2023.
Traditionellt sett har robottekniken förlitat sig på generativ AI för kontroll, men denna strategi når inte hela vägen på grund av den begränsade tillgången på data om robot-värld-interaktioner. Forskarna insåg behovet av data som genereras specifikt av robotarna själva, vilket vanligtvis produceras långsamt och monotont i laboratoriemiljöer för specifika uppgifter och resulterar i begränsad tillämpbarhet och funktionalitet.
Nyckeln för att övervinna denna utmaning ligger i att dela data från ett brett spektrum av robotar för att möjliggöra för nya maskiner att lära av gemensamma erfarenheter. RT-X-datasättet omfattar nästan en miljon robotförsök, inklusive 22 olika typer av robotar, såsom populära robotarmar som återfinns på marknaden. Levine och Hausman gjorde en intressant upptäckt under sina experiment: ett djupt neural nätverk tränat på denna varierade robotdata, när det kombineras med storskaliga maskininlärningsmodeller, kan kontrollera olika robotar utan att kräva några specialanpassningar.
Märkbart kan modellen som utvecklats från RT-X-datasättet identifiera vilken typ av robot den kontrollerar baserat på den visuella informationen som tas emot från robotens kamera. Till exempel, om kameran fångar en UR10-industriarm, kommer modellen att skicka kommandon skräddarsydda för den specifika roboten. På liknande sätt, om den upptäcker en billigare WidowX-hobbyarm, anpassar modellen sin kontroll därefter.
För att bedöma effektiviteten hos sin modell jämförde fem laboratorier som deltar i RT-X-projektet den med sina egna kontrollsystem för sina respektive robotar. Förvånansvärt nog överträffade den enskilda modellen varje labbs metod och slutförde uppgifter i genomsnitt 50 procent oftare.
RT-X-projektet exemplifierar kraften i samarbete inom robotikgemenskapen. Levine och Hausman föreställer sig att initiativet kommer att växa vidare och omvandlas till ett gemensamt arbete för att etablera datastandarder, återanvändbara modeller samt nya algoritmer och metoder. Genom att utnyttja den samlade kunskapen och resurserna hos den globala robotlärandegemenskapen blir potentialen för framsteg och genombrott inom robotteknik verkligen obegränsad.
