「ロンドン帝国大学チーム、少ないデモンストレーションで新たな現実世界のタスクをマスターするための人工知能の方法を開発」

「ロンドン帝国大学チームが少ないデモンストレーションで新たな現実世界のタスクをマスターするための人工知能の方法を開発」

ロボット工学と人工知能の常に進化する分野で、興味深く挑戦的な問題の一つは、完全に異なるオブジェクトでの仕事をロボットに教える方法です。つまり、これまでに見たことも触れたこともないオブジェクトです。この長年にわたる研究者や科学者の関心事でもあるトピックの答えは、ロボット工学を変革する上で重要です。ロボットは、操作タスクを実行するために、操作軌道に沿って二つのオブジェクトを作業特化的な方法で理解し、配置する必要があります。

ロボットは、ティーポットからカップにお茶を注ぐときに、ティーポットの注口とカップの口が一致することを確認する必要があります。この一致はタスクを成功裏に完了するためには不可欠です。しかし、同じクラスのオブジェクトは頻繁にわずかに異なる形状をしており、ある特定の活動においてどの部分が正確に一致する必要があるかを把握することが複雑化します。模倣学習の場合、この問題はさらに複雑になります。なぜなら、ロボットはアイテムやそのクラスに関する事前の情報を持たずに示されたデモからタスク固有の配置を推論しなければならないからです。

最近の研究チームは、この問題を模倣学習の課題として捉え、オブジェクトグラフ表現の条件付き整列を強調する方法で取り組みました。彼らは、学習プロセスの文脈として機能する少数の例から新しいアイテムの整列と相互作用のスキルをロボットが獲得できる手法を開発しました。彼らはこの手法を条件付き整列と呼び、デモを見た後すぐに新しいオブジェクトのセットでタスクを実行できるようにしました。つまり、追加のトレーニングやオブジェクトクラスの事前知識は必要ありません。

• 「’Acoustic Touch’テクノロジーが音を通して視覚を提供する方法」
• 「機械学習の探求」
• 「Scikit-LLMを使用したゼロショットテキスト分類の経験」

研究者たちは、彼らの手法に関して行った試験で、彼らが行った設計上の決定がどれくらい妥当性があるかを調査し、検証しました。これらのテストは、彼らのアプローチがさまざまな一般的な現実世界のタスクにおいて少数のショット学習を達成するためにどれくらい優れているかを示しています。彼らのアプローチは、ベースライン技術よりも優れており、異なるオブジェクトを提供する新しいタスクを習得する際の柔軟性と効果の観点で優位性を示しています。

このチームは、ロボットが迅速に新しいアイテムに適応し、さまざまなオブジェクト上に表示されたタスクを実行する問題に取り組むためのユニークな戦略を開発しました。彼らは、グラフ表現と条件付き整列を利用した少数のショット学習において優れたパフォーマンスを発揮する柔軟なフレームワークを開発し、その研究は実証的な証拠を提供しています。プロジェクトの詳細はhttps://www.robot-learning.uk/implicit-graph-alignmentでアクセスできます。プロジェクトのウェブページで利用可能なビデオは、この手法の成功と現実世界での実用性の追加的な証拠として機能しています。

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