MIT-spesialister bruker kunstig intelligens til å lære roboter å pakke ting bedre på liten plass.

Forskere fra Massachusetts Institute of Technology (MIT) har presentert en avansert metode basert på generative modeller for kunstig intelligens som forbedrer ytelsen til robotsystemer betydelig når de manipulerer gjenstander på trange steder.

MIT-forskerne bruker generative AI-modeller for å hjelpe roboter med å løse komplekse oppgaver, blant annet pakking av ulike gjenstander. Pakking av gjenstander er en utfordrende oppgave for roboter, fordi den krever at de oppfyller en rekke krav, som å unngå kollisjoner og skape stabile strukturer.
Tradisjonelle metoder for å løse dette problemet fungerer sekvensielt og kan være svært tidkrevende.

MIT-forskere har brukt en generativ diffusjonsmodell for å løse dette problemet på en mer effektiv måte, noe som innebærer å trene opp modeller som representerer ulike typer begrensninger. Tilnærmingen gjør det mulig å lage effektive løsninger raskere og for et større antall objekter, samtidig som det tas hensyn til alle begrensninger. Denne metoden kan brukes til å trene opp roboter til å forstå og overholde vanlige begrensninger for pakking av objekter, noe som er viktig i en rekke ulike scenarier, fra å jobbe på et lager for å oppfylle bestillinger til å organisere en bokhylle hjemme.

Hva som ble demonstrert i videoen

Flertrinns robotstyring innebærer mange begrensninger. Diffusion-CCSP-metoden (vist i videoen nedenfor) finner effektivt en løsning ved å forbedre den gjennom funksjonsoptimalisering. I stedet for å gjette bruker den diffusjonsmodeller for å optimalisere begrensningene. Metoden er trent i simuleringer og kan håndtere problemer med flere objekter og begrensninger enn tidligere.

Forskerne planlegger å undersøke muligheten for å bruke denne metoden i mer komplekse situasjoner og for roboter som kan bevege seg rundt i et rom uten å trene på nye data. Denne tilnærmingen åpner for muligheten til å utvikle mer effektive og pålitelige autonome systemer for en rekke ulike bruksområder.

Hvorfor det er viktig.

De nye metodene som er utviklet ved MIT, gjør robotene bedre til å utføre komplekse oppgaver, for eksempel pakking. Ved hjelp av kunstig intelligens lærer de å unngå problemer og utnytte plassen effektivt. Dette er svært viktig, for nå kan robotene ikke bare hjelpe til på lageret, men også hjemme. De vil også kunne utføre mer komplekse oppgaver der alt rundt dem er i konstant endring.

Kilde: mit.edu