MIT araştırmacıları tarafından geliştirilen yeni bir yöntem, robotların hareket ederken geleceği düşünme yeteneklerini artırarak daha akıcı hareketler ve daha hızlı tepkiler vermelerini sağlıyor.
Bu teknik, bir robotun hareketini planlayan yapay zeka modelinin, robotun gelecekteki konumunu tahmin etmesine olanak tanıyor. Model, bu tahmini mevcut hareketleri bir sonraki eylemlere sorunsuz bir şekilde geçiş yapmak için kullanıyor.
Mevcut birçok yöntem, bir robotun ne yapması gerektiğini düşünmesi için durmasına neden olarak yavaş ve sarsıntılı hareketlere yol açıyor. MIT yöntemi, hesaplamalarını robotun mevcut konumu yerine gelecekteki durumu üzerine kurarak robotların çok daha hızlı çalışmasına yardımcı oluyor.
Önemli bir şekilde, bu teknik planlama sürecine herhangi bir hesaplama yükü eklemiyor ve çeşitli robotik donanımlara uygulanabiliyor.
Bu yeni yöntem, robotların nesne alma ve yerleştirme gibi görevleri yerine getirirken hızını iki katına çıkarırken, hareketler arasındaki gecikme süresini de önemli ölçüde azaltıyor. Ayrıca, masa tenisi ve Whack-a-Mole gibi son derece dinamik aktivitelerde robotik kolların performansını artırıyor.
Sistem, acil durum müdahale veya arama-kurtarma gibi zorlu gerçek dünya ortamlarında hızlı ve çevik manevralar gerçekleştiren robotlar için özellikle faydalı olabilir. Ayrıca, robotların hatalardan kurtulurken daha hızlı tepki vermesini sağlayabilir.
“Bu çalışma, verimli, hızlı, hızlandırılmış ve düşük maliyetli robotik uygulamalar için iyi bir temel oluşturuyor. Fiziksel yapay zekayı daha hızlı hale getirmek için itmeye devam ettikçe, en son dünya eylem modellerine çalışmalarımızı genişletmeyi dört gözle bekliyoruz,” diyor MIT Elektrik Mühendisliği ve Bilgisayar Bilimleri (EECS) Bölümü'nde doçent olan, Elektronik Araştırma Laboratuvarı üyesi ve bu yöntemle ilgili bir makalenin baş yazarı olan Song Han.
Han’a, makalede MIT EECS yüksek lisans öğrencisi Jiaming Tang ve Tsinghua Üniversitesi öğrencisi Yufei Sun gibi eş baş yazarlar eşlik ediyor; ayrıca Nvidia, Kaliforniya Üniversitesi Berkeley, Kaliforniya Üniversitesi San Diego ve Caltech'ten diğer araştırmacılar da yer alıyor. Araştırma, Akıllı Robotlar ve Sistemler Konferansı'nda sunulacak.
Geleceği tahmin etmek
Son teknoloji robotik uygulamalarda, görsel-dil-eylem (VLA) modelleri olarak adlandırılan üretken yapay zeka sistemleri, bir robotun beynini oluşturuyor, bir sonraki hamlelerini planlıyor ve bu eylemleri gerçekleştiriyor.
Bir VLA modeli, robotun kamerasından çevresel gözlemler alır ve görevine dair talimatlar alarak, bir dizi hareketi bir bütün olarak çıktılar ve ardından bu eylemleri robotik donanım üzerinde gerçekleştirir.
Ancak VLA çıkarımı — modelin görsel girdileri işlediği, görevi düşündüğü ve eylemleri çıkardığı gerçek zamanlı prosedür — hesaplama açısından talepkar olduğundan, robot bir sonraki eylemlerini planlarken önemli duraklamalar yaşayabilir. Bu duraklamalar, hareketlerin akışkanlığını bozarak çevredeki değişikliklere tepki verme hızını azaltır.
“Motivasyonumuz, düşünme sürecini icra süreciyle örtüştürerek tepki hızını artırmaktı,” diyor Tang.
MIT araştırmacıları, bir VLA'nın robotun ve çevresinin gelecekteki durumunu tahmin etmesini sağlayan yeni bir sistem olan VLASH'ı geliştirdi. Bu bilgi, robot mevcut eylem grubunu tamamlarken bir sonraki hareket setini planlamak için kullanılıyor.
Bu, birçok diğer yöntemin karşılaştığı büyük bir engeli çözüyor; bu yöntemler robotun mevcut durumunu kullanarak bir sonraki hamlelerini tahmin ediyor.
“Robot hareket ettikten sonra çevre değişeceği için, mevcut çevrenin eski gözlemlerine dayanarak plan yaparsak, çok dengesiz bir kontrol sağlayan bir uyumsuzluk olacaktır,” diye açıklıyor Tang.
VLASH, araştırmacıların sağladığı önemli bir içgörü sayesinde bu uyumsuzluktan kaçınıyor. Model, çevrenin gelecekte nasıl görüneceğini tam olarak bilmemekle birlikte, robotun mevcut konumunu ve alacağı eylemleri gerçekleştirmek için nasıl hareket edeceğini biliyor.
Çerçeve, robotun mevcut eylem grubunu tamamladıktan sonra durumunu tahmin etmek için bu bilgiyi kullanıyor. Bu tahmini, bir sonraki hareketleri planlamak için kullanıyor.
“Bu şekilde, robota gelecekteki durumu hakkında bir farkındalık veriyoruz,” diyor Tang.
Hızlandırmayı artırmak
