Roboti prvo uče u virtuelnom svetu: Kako izgleda trening mašina koje treba da rade sa ljudima

Robot Freddo dobio je plastičnu flašu od zaposlenog, prepoznao je, prišao joj i uhvatio je. Sam zadatak ne deluje naročito komplikovano. Ono što jeste zanimljivo jeste način na koji je robot naučio da ga izvede.

Freddo je potrebne veštine razvio za svega nekoliko minuta. Njegovi tvorci tvrde da bi konkurentskim sistemima za isti proces mogli da budu potrebni dani.

Tajna nije u tome što je robot beskonačno ponavljao isti zadatak u stvarnom svetu. Vežbao ga je u virtuelnom okruženju, gde računar može da simulira isti scenario hiljadama ili milionima puta.

Takvi sistemi postaju jedan od ključnih načina za razvoj robota koji bi jednog dana trebalo da se kreću kroz naše domove, kancelarije, fabrike i druga nepredvidiva okruženja.

Milioni pokušaja pre nego što robot napravi jedan pravi pokret

Freddo je razvijen u britanskom startapu Vsim iz Kembridža. Osnivači Michelle Lu i Kier Storey ranije su radili na jednoj od ranih verzija Nvidia sistema Isaac Sim, koji se koristi za virtuelni trening robota.

Kada su 2022. godine pokrenuli Vsim, želeli su da naprave sopstveni sistem za simulaciju robotskog ponašanja.

Princip je relativno jednostavan. Robot u virtuelnom svetu pokušava da izvrši određeni zadatak. Računar zatim simulira veliki broj mogućih scenarija i traži način da robot zadatak izvede što efikasnije. Kada se pronađe najbolje rešenje, odnosno takozvana „politika“, ono može da se prenese na stvarnog robota.

Na taj način mašina može da napravi ogroman broj pokušaja bez rizika da polomi opremu, povredi čoveka ili potroši sate na fizičko ponavljanje istog pokreta.

Vsim je svoj sistem projektovao tako da bolje koristi GPU čipove, odnosno procesore koji su postali ključni za razvoj veštačke inteligencije.

„Algoritmi koji se koriste za većinu ovih robotskih simulacija potiču još iz sedamdesetih i osamdesetih godina, ali ti algoritmi nisu naročito prilagođeni GPU-ovima“, objašnjava Storey. (bbc.com)

Prema rečima osnivača, za svega 18 meseci uspeli su da naprave funkcionalan simulator visokih performansi.

Robot razmišlja o 20.000 mogućih scenarija unapred

Jedna od zanimljivijih karakteristika Vsim sistema jeste to što može da radi direktno na hardveru koji robot nosi sa sobom. To znači da Freddo može da pokrene desetine hiljada simulacija dok se kreće kroz prostor.

Prema objašnjenju Kier Storeyja, robot može da pogleda otprilike sekundu unapred i razmotri oko 20.000 različitih kombinacija onoga što bi moglo da se dogodi.

Takva sposobnost postaje posebno važna kada robot izađe iz kontrolisanog fabričkog okruženja.

U fabrici je relativno lako predvideti gde će se mašina nalaziti, šta će joj se naći na putu i kako će izgledati sledeći korak. U kancelariji ili stanu situacija je potpuno drugačija.

Čovek može da prođe ispred robota. Pas može da se pojavi iza vrata. Drugi robot može da promeni pravac. Predmet može da padne na pod.

„Stvari koje nisu pod kontrolom robota, poput ljudi, životinja ili drugih robota, mogu da zahtevaju promenu strategije“, kaže Michelle Lu. Robot zbog toga mora brzo da reaguje kako bi njegovo ponašanje ostalo bezbedno i kako bi nastavio da izvršava zadatak. (bbc.com)

Nvidia želi da napravi virtuelni svet za robote

Vsim sa svega deset inženjera nalazi se na jednom kraju ovog tržišta. Na drugom je Nvidia, tehnološki gigant sa stotinama inženjera koji rade na softveru za robotiku.

Kompanija ne proizvodi same robote, već razvija softver koji organizacijama omogućava da ih treniraju i kontrolišu.

Jedan od tih sistema je Isaac Sim, namenjen upravo simulaciji robotskog ponašanja. Nvidia razvija i takozvane „world models“, odnosno modele sveta, među kojima je Cosmos.

Ideja je da robot kroz takav model dobije predstavu o fizičkom svetu i o tome kako bi njegovo okruženje moglo da se promeni dok se kreće.

Postoje, međutim, granice onoga što simulacija trenutno može da uradi.

„Manipulacija, kada samo uhvatim flašu, nije naročito teška. Problem nastaje kada počnete sa zadacima koji imaju više koraka“, kaže Spencer Huang, direktor proizvoda za robotiku u Nvidiji.

Robot može relativno lako da nauči da uzme flašu. Mnogo je teže naučiti ga da je uzme, napuni, odnese na drugo mesto i prospe sadržaj, dok pritom reaguje na sve što se događa oko njega.

AI agenti sada pomažu i u stvaranju virtuelnih svetova

Nvidia pokušava da ubrza i sam proces pravljenja simulacija.

Kompanija je ove godine počela da koristi AI agente za izgradnju virtuelnih okruženja u kojima se roboti treniraju, kao i za proveru toga da li rešenja koja su naučili u simulaciji funkcionišu i kada se prebace u stvarni svet.

To je važno jer kreiranje takvih virtuelnih svetova može zahtevati mnogo ručnog rada.

Huang objašnjava da se deo tog posla sada može prepustiti AI agentima, koje opisuje kao svojevrsnu „ogromnu radnu snagu“.

Drugim rečima, veštačka inteligencija ne pomaže samo robotu da nauči šta treba da radi. Ona se sve više koristi i za pravljenje sveta u kojem robot vežba.

Problem je što virtuelni svet ipak nije stvarni svet

Virtuelna simulacija može da omogući stotine miliona pokušaja, ali postoji jedan veliki problem: računar mora dovoljno precizno da predstavi stvarnost.

Nije lako simulirati baš sve.

Rika Antonova, vanredna profesorka na Univerzitetu u Kembridžu koja se robotikom bavi od 2015. godine, radi na sistemima koji omogućavaju robotima da uče složena ponašanja.

Ona koristi MuJoCo, softver za fizičku simulaciju koji je od 2021. godine u vlasništvu Google DeepMinda. Program je otvorenog koda, što istraživačima i manjim startapima omogućava da ga koriste i menjaju prema svojim potrebama.

Antonova smatra da je Vsimov pristup veoma brzom simuliranju obećavajući. Što je simulator brži, robot može da razmotri veći broj mogućih scenarija pre nego što napravi sledeći pokret. (bbc.com)

Ipak, neke stvari je teško verno predstaviti u virtuelnom okruženju.

Među njima su veoma deformabilni predmeti, ali i radnje poput sečenja. Materijal koji se savija, menja oblik ili reaguje na pritisak mnogo je teže matematički opisati nego čvrst predmet poput flaše.

Tu nastaje jedan od najvećih izazova za razvoj robotike: ono što robot nauči u računaru mora da funkcioniše i kada mašina izađe iz simulacije.

Sledeći korak: roboti koji uče jedni od drugih

Vsim sada razvija i drugog robota, nazvanog Nacho, koji bi trebalo da pomogne u daljem razvoju tehnologije.

Ideja je da dodatni robot ubrza proces testiranja i omogući proveru rada softvera na različitim mašinama.

Robotika se tako sve više oslanja na isti princip koji je već promenio razvoj veštačke inteligencije: ogromna količina podataka i veliki broj simulacija mogu mašinama omogućiti da uče mnogo brže nego kroz klasično programiranje.

Razlika je u tome što robot na kraju mora da se snađe u fizičkom svetu, a stvarnost je daleko neurednija od bilo koje simulacije.

Za sada je zato najveći izazov manje pitanje da li roboti mogu da nauče određeni zadatak, a mnogo više koliko dobro mogu da se snađu kada se nešto dogodi drugačije od onoga što su očekivali.

Saznajte sve o dešavanjima u biznisu, budite u toku sa lifestyle temama. PRIJAVITE SE NA NAŠ NEWSLETTER

Izvor: BIZLife

Foto: Unsplash