MIT-specialister bruger kunstig intelligens til at lære robotter at pakke ting bedre på lidt plads

Forskere fra Massachusetts Institute of Technology (MIT) har præsenteret en avanceret metode baseret på generative modeller for kunstig intelligens, som forbedrer robotsystemers ydeevne betydeligt, når de manipulerer objekter i trange rum.

MIT-forskere bruger generative AI-modeller til at hjælpe robotter med effektivt at løse komplekse objektmanipulationsopgaver, herunder emballering af forskellige objekter. Pakning af genstande er en udfordrende opgave for robotter, fordi den kræver, at mange begrænsninger opfyldes, såsom at undgå kollisioner og skabe stabile strukturer.
Traditionelle metoder til at løse dette problem arbejder sekventielt og kan være meget tidskrævende.

MIT-forskere har brugt en generativ diffusionsmodel til at løse dette problem mere effektivt, hvilket involverer træning af modeller, der repræsenterer forskellige typer begrænsninger. Deres tilgang gør det muligt for dem at lave effektive løsninger hurtigere og for et større antal objekter, idet der tages højde for alle begrænsninger samtidigt. Denne metode kan bruges til at træne robotter til at forstå og overholde almindelige begrænsninger for emballering af genstande, hvilket er vigtigt i en række forskellige scenarier, fra at arbejde på et lager for at opfylde ordrer til at organisere en bogreol derhjemme.

Hvad blev demonstreret i videoen

Robotstyring i flere trin involverer mange begrænsninger. Diffusion-CCSP-metoden (vist i videoen nedenfor) finder effektivt en løsning ved at forbedre den gennem funktionsoptimering. I stedet for at gætte bruger den diffusionsmodeller til at optimere begrænsningerne. Denne metode er trænet i simuleringer og kan håndtere problemer med flere objekter og begrænsninger end tidligere.

Forskerne planlægger at undersøge muligheden for at anvende denne metode i mere komplekse situationer og til robotter, der kan bevæge sig rundt i et rum uden at træne på nye data. Denne tilgang åbner op for muligheden for at udvikle mere effektive og pålidelige autonome systemer i en række forskellige applikationer.

Hvorfor det er vigtigt.

De nye metoder, der er udviklet på MIT, gør robotter bedre til komplekse opgaver som f.eks. emballering. Ved hjælp af kunstig intelligens lærer de at undgå problemer og bruge pladsen effektivt. Det er meget vigtigt, for nu kan robotter ikke kun hjælpe på lageret, men også i hjemmet. De vil også være i stand til at udføre mere komplekse opgaver, hvor alt omkring dem konstant ændrer sig.

Kilde: mit.edu