Роботы сталкиваются с трудностями при выполнении задач в сложных и незнакомых условиях, таких как маневрирование среди предметов в доме. Люди интуитивно справляются с подобными задачами, но для машин это остается сложной проблемой. Команда из Института робототехники Университета Карнеги-Меллона разработала новый подход, который значительно повышает эффективность роботов в таких ситуациях.

Новый метод, названный Neural Motion Planning, призван улучшить реакцию роботов в динамичных средах. Этот подход использует универсальную сеть искусственного интеллекта, которая позволяет роботам планировать свои движения в различных бытовых условиях, таких как шкафы, холодильники и посудомоечные машины. Муртаза Далал, докторант из Института робототехники, подчеркнул, что традиционные методы планирования движения часто оказываются неэффективными в неструктурированных условиях, так как требуют много времени для проверки столкновений.

Neural Motion Planning основывается на том, как люди учатся и развивают свои навыки. Начав с медленных и неуверенных движений, люди постепенно переходят к более быстрым и уверенным действиям. Этот подход позволяет роботам адаптироваться к новым условиям и улучшать свои способности при перемещении объектов.

Для обучения нейронной сети исследователи создали миллионы различных симуляций, где роботы сталкивались с типичными домашними объектами, такими как полки, микроволновые печи и посудомоечные машины. В процессе обучения они учились маневрировать вокруг случайных препятствий, таких как животные или декоративные предметы. Модели получили возможность выполнять быстрое и реактивное планирование движения, что позволяло им успешно справляться с задачами в реальных условиях, отличающихся от тех, что они изучали.

Дипак Патхак, доцент кафедры Раджа Редди в Институте робототехники, отметил, что достижения в области обучения зрению и языку, такие как ChatGPT, значительно опередили успехи в робототехнике. Neural Motion Planning представляет собой важный шаг к решению этой проблемы, позволяя роботам учиться на больших объемах данных и применять полученные знания в реальном мире.

В лабораторных условиях нейронное планирование движения успешно применяли на роботизированной руке. Система использовала трехмерное представление начальной сцены, созданное с помощью глубинных камер, и определяла целевую позицию, куда должна была переместиться рука. Neural Motion Planning обеспечивала необходимые конфигурации суставов, позволяя роботу выполнить задачу.

Студент магистратуры Цзяхуэй Ян заметил, что наблюдать за тем, как модель ловко обходит разнообразные препятствия, было захватывающе. Робот успешно маневрировал вокруг ламп, растений и книжных шкафов, выполняя поставленные задачи. Такой успех стал возможен благодаря масштабному обучению, которое позволило модели адаптироваться к различным бытовым условиям.