网站前端建设都需要什么问题,网站开发中安全性的防范,系统开发生命周期,广西高端网站建设公司目前科学家们正在努力让机器人变得更加智能#xff0c;教会他们完成诸如擦拭桌面#xff0c;端盘子等复杂技能。以往机器人要在非结构化环境执行这样的任务#xff0c;需要依靠固定编程进行#xff0c;缺乏场景通用性#xff0c;而现在机器人的学习过程主要在于模仿#…目前科学家们正在努力让机器人变得更加智能教会他们完成诸如擦拭桌面端盘子等复杂技能。以往机器人要在非结构化环境执行这样的任务需要依靠固定编程进行缺乏场景通用性而现在机器人的学习过程主要在于模仿即通过观看人类的演示录入到程序当中进行训练进而掌握和人类相同的运动技能。
事实上机器人应该是一个出色的模仿者。但如果工程师未对机器人进行编程使其适应各种可能的碰撞与轻微推动则机器人在处理这些情况时可能表现不足机器人无法处理这些行为时会回到原点重新进行任务。
针对这一问题麻省理工学院的工程师尝试教会机器人一定的常识认知能力以此来应对在遭到碰撞或推动时能够偏离预设路径。他们研发了一种创新方法将机器人的运动数据与大型语言模型LLM的“常识性知识”相结合来增强机器人的应变能力。
融合LLM功能之后机器人如何拾取和放置红色罐子
采用该研究方法机器人能够从逻辑上将许多给定的家庭任务解析为子任务并对子任务中突然的干扰行为进行物理调整这样机器人就能继续执行指令而无需回归初始状态重新执行整个操作此外工程师也不需要为中途出现的每一个突发情况来编写修复程序。
机器人遇到人为干扰可自动纠正错误
模仿学习是目前家用机器人的主要学习方法但这种学习方法也有一定的风险如果盲目模仿人类运动轨迹一旦产生微小的错误那么深度学习会将错误进行放大最终导致执行过程当中产生其他的错误行为。研究人员通过全新的模型算法使得机器人具备自我纠正执行错误提升整体任务完成率。
▍LLM可通过自然语言告知机器人完成任务的每个步骤
在具体的实验中研究人员将勺子固定在机械臂上左右两侧各有一个碗机器人的任务是将左侧碗中的玻璃球通过操作勺子顺利将玻璃球挪到右侧空碗当中。但为了完成这样的任务研究人员通常需要机器人在一个流体轨迹上完成舀和倒的动作为此演示人员通常需要做多次这种动作以此来让机器人进行学习。
机器人从语义空间中的LLM中提取常识知识
机器人在执行这个指令时所需要的规划是线性的必须先将勺子伸进装有玻璃球的碗中才能舀起玻璃球在运送玻璃球的过程当中遭遇碰撞和拖动则会停下来回到起点重新进行任务。
机器人2D导航任务的图示
研究人员发现机器人运行的一些动作可以由LLM自动完成。利用深度学习模型可以管理大量的文本库并利用这些文本库建立单词、句子和段落之间的联系并根据这些联系生成全新的句子。此外LLM还能在提示下列出特定任务所涉及的子任务的逻辑列表。
研究人员表示LLM可以用自然语言告诉你如何完成任务的每个步骤。人类的连续演示就是这些步骤在物理空间中的体现。将两者进行有效地结合机器人就能自动知道自己处于任务的哪个阶段并能够在动作受到干扰时自动重新规划和恢复任务。
▍融合算法之后 机器人执行指令变得更加聪明
研究团队的新算法将LLM针对特定子任务的自然语言标签与机器人在物理空间中的位置以及编码机器人状态的图像连接起来将机器人的物理坐标或机器人状态图像映射到自然语言标签随后根据机器人的物理坐标或图像视图自动识别机器人所处的语义子任务。
机器人舀玻璃球任务示意图
在实验中尽管工作人员在机器人执行任务的时候手动拖拽并且打散勺子中的玻璃球使其偏离轨道但机器人依然不会停下来回到原点重新执行任务同时也不会在勺子上没有玻璃球之后继续执行任务而是能够自我纠正在完成每个子任务后再继续下一个任务。
从这方面来看机器人拥有了一定的智能性而不是盲目在存在错误时继续执行未完成的指令而是通过识别子任务的方式及时进行修正进而完成整体任务。采用该算法有效减少了人工调试成本。
