研究者たちは、ロボットが手全体を使って複雑な計画を立てることができるようにするAIを開発しました

研究者は、ロボットの手を使った複雑な計画を立てるAIを開発しました

ロボットにとって、人間が自然に習得する全身操作の繊細なスキルは、機械にとっての課題となっています。しかし、MITの研究者たちは、人工知能の力を使って、ロボット工学におけるこの問題を解決するための革新的なアプローチである「接触豊富な操作計画」を導入しています。

この手法は、効果的なロボット操作計画に必要な判断の複雑さを軽減するために、AIによるスムージング戦略を利用しています。数十億もの潜在的な接触イベントを考慮する必要がある中、これらのスムージング手法は、広範な接触発生から最適な操作計画を抽出する手段を提供します。

強化学習の最近の進歩により、接触豊富なダイナミクスの新たな進展が促されました。これは、従来のモデルベースの手法では達成できなかった成果です。強化学習の成功の背後にある理由は最初は不明でしたが、研究者たちはモデルベースの観点からその基礎的な要素を解明することに集中しています。

• 『広範な展望：NVIDIAの基調講演がAIの更なる進歩の道を指し示す』
• 「この新しいAI研究は、事前学習されたタンパク質言語モデルを幾何学的深層学習ネットワークに統合することで、タンパク質構造解析を進化させます」
• スタンフォードの研究者たちは、DSPyを紹介します：言語モデル（LM）と検索モデル（RM）を用いた高度なタスクの解決のための人工知能（AI）フレームワーク

鍵となる課題は、接触ダイナミクスの繊細な性質にあります。この性質は、モデルベースの観点からのタッチによる計画に困難をもたらします。そこで、研究者たちは凸面で微分可能な準動的接触ダイナミクスのモデルを提案しています。

このモデルは、予測能力を向上させるだけでなく、非滑らかなダイナミクスに関連する問題にも対処し、従来の線形モデルの不適切さを解消します。接触モードのスムージングとサンプリングベースのモーションプランニングの統合は、さらなる大きな進歩を示しています。

MIT Newsとの対話の中で、この手法の論文の共同執筆者である電気工学・コンピュータサイエンス（EECS）の大学院生であるH.J. Terry Suhは、「これをブラックボックスのシステムと考えるのではなく、モデルを使ってこのようなロボットシステムの構造を活用できれば、これらの意思決定を加速し、接触豊富な計画を立てる手順全体のスピードを上げる機会があります」と語っています。

研究者たちのアプローチにより、ロボットは多様な環境とタスクにおいて、効率的に数分間の計画を立てることができます。これは、資源集中型の強化学習手法に対する強力な代替手段です。

モードのスムージングとRapidly-exploring Random Trees（RRT）の融合により、高次元の接触豊富なシステムに対する効率的なグローバルモーションプランニングの可能性が広がります。この収束は、マハラノビス距離によってガイドされる局所近似を活用し、包括的な探索と軌道最適化を保証します。

では、ロボット工学以外の人々にとってはどういう意味があるのでしょうか？かなりの意味があります。この新しい技術は、機械が操作と相互作用の領域で何ができるかの限界を押し広げることで、ロボット工学の景色を再構築することを約束しています。

時間が経つにつれて、これはより高度なタスクの複雑さを可能にするロボット工学の進歩につながる可能性もあります。これにより、物理的な人間の労働の必要性が減り、理論的にはロボットがより危険なタスクを引き受けることができる一方で、人間の生命に関連するリスクも減らすことができるかもしれません。

 

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!