Комплексна екосистема для досліджень у галузі навчання роботів та втіленого ШІ

Розвиток штучного інтелекту досяг значних успіхів у різних галузях, таких як моделювання мови, згортання білків та ігровий процес, але прогрес у розвитку навчання роботів був повільнішим. Парадокс Моравека, який припускає, що низькорівневі сенсомоторні навички ШІ-агентам важче опанувати порівняно з високорівневими когнітивними завданнями, частково пояснює цей повільний прогрес. Крім того, такі проблеми, як складність програмного забезпечення для навчання роботів і відсутність загальних критеріїв, підвищують бар’єри для входу на ринок, обмежують швидке створення прототипів і стримують потік ідей у галузі робототехніки. На відміну від таких галузей, як комп’ютерний зір або обробка природної мови, які мають стандартизовані еталони та набори даних, робототехніка залишається більш фрагментованою.

Щоб вирішити ці проблеми, група дослідників з провідних інститутів та організацій, що займаються штучним інтелектом, створили RoboHive – інтегроване середовище, розроблене спеціально для навчання роботів. RoboHive слугує як інструментом для тестування, так і для досліджень, пропонуючи широкий спектр контекстів, конкретних описів завдань і суворих критеріїв оцінки для підтримки різних парадигм навчання, включаючи навчання з підкріпленням, імітаційне навчання і навчання з перенесенням. Ця платформа має на меті забезпечити більш ефективні дослідження та створення прототипів для робототехніків, а також подолати розрив між поточним станом навчання роботів та його невикористаним потенціалом.

Основні можливості RoboHive включають

• Навчальне природне середовище: RoboHive надає різноманітні середовища, що охоплюють широкий спектр дослідницьких областей, від маніпуляційних завдань до дво- і чотириногих локомоцій. Він використовує MuJoCo для фізичного моделювання, пропонуючи швидкі та реалістичні симуляції, які відповідають реальній фізиці.
• Уніфікована абстракція класів роботів: RoboHive представляє уніфіковану абстракцію RobotClass, яка дозволяє безперешкодно взаємодіяти як з віртуальними, так і з реальними роботами за допомогою симуляторів та апаратних гачків. Ця функція спрощує процес переходу досліджень від симуляції до реальності.
• Підтримка телеоперацій та експертний набір даних: RoboHive пропонує готові можливості дистанційного керування за допомогою різних модальностей, що робить його доступним для дослідників, які працюють над імітаційним навчанням та навчанням в режимі офлайн. Він також надає набір даних RoboSet, один з найбільших наборів даних про маніпуляції в реальному світі, зібраних за допомогою телеоперацій людини.
• Візуальне розмаїття та фізична точність: RoboHive робить акцент на візуальному розмаїтті та фізичній достовірності у своїх проектах. Фреймворк включає багаті текстури, складні ресурси та вдосконалену організацію сцен, перевершуючи попередні еталони та розширюючи межі реальних досліджень у галузі робототехніки.
• Метрики та базові показники: RoboHive використовує чіткі та лаконічні метрики для оцінки продуктивності алгоритмів у різних сценаріях. Він пропонує зручний API для інтеграції з алгоритмами навчання, що робить його доступним для дослідників і практиків. Фреймворк також надає вичерпні базові результати для алгоритмів, які найчастіше використовуються в дослідницькій спільноті.

Представляючи RoboHive, дослідники прагнуть створити стандартизовану платформу, яка сприятиме науковим розробкам та інноваціям у галузі навчання роботів. Очікується, що гнучкість фреймворку, його надійні функції та можливості бенчмаркінгу прискорять прогрес у робототехніці та дозволять дослідникам ефективно вирішувати проблеми, пов’язані з навчанням роботів у реальному світі.