1752291154
2025-07-11 19:20:00
chatgptまたはgeminiがあなたの燃えるような質問に対する専門家の回答と思われるものを与えるとき、あなたはその返事を与えるためにどれだけの情報を頼っているかを理解しないかもしれません。他の一般的な生成人工知能（AI）モデルと同様に、これらのチャットボットは、数十億、または数兆のデータポイントを訓練する基礎モデルと呼ばれるバックボーンシステムに依存しています。
同様に、エンジニアは、家や工場のような場所にオブジェクトを拾い、移動し、置くなどの新しいスキルについてさまざまなロボットを訓練する基礎モデルを構築したいと考えています。問題は、ロボットシステム全体で教育データを収集して転送することが困難であることです。 Virtual Reality（VR）などのテクノロジーを使用してハードウェアを段階的に段階的に操作することで、システムを教えることができますが、時間がかかる場合があります。インターネットからのビデオのトレーニングはあまり有益ではありません。クリップは、特定のロボットに段階的な専門的なタスクウォークスルーを提供しないためです。
MITのコンピューターサイエンスおよび人工知能研究所（CSAIL）の「PhysicsGen」と呼ばれるシミュレーション駆動型のアプローチとロボットおよびAI研究所は、ロボットトレーニングデータをカスタマイズして、ロボットがタスクの最も効率的な動きを見つけるのを支援します。このシステムは、数ダースのVRデモンストレーションをマシンあたり3,000近くのシミュレーションに掛けることができます。これらの高品質の命令は、ロボットアームやハンドなどの機械的コンパニオンの正確な構成にマッピングされます。
PhysicsGenは、3段階のプロセスを介して特定のロボットと条件に一般化するデータを作成します。まず、VRヘッドセットは、人間が手を使用してブロックのようなオブジェクトを操作する方法を追跡します。これらの相互作用は、3D Physicsシミュレーターで同時にマッピングされ、ジェスチャーを反映する小さな球体として手の重要なポイントを視覚化します。たとえば、おもちゃをひっくり返した場合、そのオブジェクトの仮想バージョンを回転させる手のさまざまな部分を表す3D形状が表示されます。
パイプラインは、これらのポイントを特定のマシン（ロボットアームなど）のセットアップの3Dモデルに再マップし、システムがねじれて回転する正確な「ジョイント」に移動します。最後に、PhysicsGenは軌跡の最適化（基本的に最も効率的な動きをシミュレートしてタスクを完了する）を使用して、ロボットはボックスの再配置などの最良の方法を知っています。
各シミュレーションは、オブジェクトを処理する潜在的な方法をロボットを操作する詳細なトレーニングデータポイントです。ポリシー（またはロボットが続くアクションプラン）に実装すると、マシンにはタスクにアプローチするさまざまな方法があり、動作しない場合は異なる動きを試すことができます。
「私たちは、各マシンの専門的なデモを再録音することなく、人間を必要とせずにロボット固有のデータを作成しています」と、電気工学およびコンピューターサイエンスおよびコンピューターサイエンスのMIT PhD学生であり、新しいアフィリエイトであるLujie Yang氏は言います。 紙 プロジェクトの紹介。 「私たちは自律的で効率的な方法でデータをスケーリングしており、より広い範囲のマシンにタスクの指示を役立てています。」
ロボットの非常に多くの指導的軌跡を生成することで、最終的にエンジニアがロボットアームや器用な手などの機械をガイドするための大規模なデータセットを構築するのに役立ちます。たとえば、パイプラインは、2つのロボットアームが倉庫アイテムを拾い、配達のために適切な箱に入れて協力するのに役立つかもしれません。また、このシステムは、カップを片付けるなどのタスクで、2つのロボットが家庭で一緒に動作するように導くこともできます。
Physicsgenの可能性は、古いロボットまたは異なる環境向けに設計されたデータの変換データを新しいマシンの有用な指示に変換することにも及びます。 「特定の種類のロボットで収集されているにもかかわらず、これらの以前のデータセットを復活させて、より一般的に有用にすることができます」とYang氏は付け加えます。
乗算による追加
Physicsgenは、24の人間のデモンストレーションを数千のシミュレートされたものに変え、デジタルと現実世界の両方のロボットの両方のオブジェクトを支援しました。
Yangと彼女の同僚は、ブロックをターゲット位置に回転させるために浮かぶロボットハンドが必要な仮想実験で最初にパイプラインをテストしました。デジタルロボットは、PhysicGenの大規模なデータセットをトレーニングすることにより、81％の精度の割合でタスクを実行しました。これは、人間のデモンストレーションからしか学んだベースラインから60％の改善です。
研究者たちはまた、物理学がオブジェクトを操作するために仮想ロボットアームがどのように協力するかを改善できることを発見しました。彼らのシステムは、2つのペアのロボットが、純粋に人間が強いベースラインよりも頻繁に30％以上のタスクを成功裏に達成するのに役立つ追加のトレーニングデータを作成しました。
一対の実世界のロボットアームを使用した実験で、研究者は、マシンが提携して大きな箱を指定された位置にめくるように協力したため、同様の改善を観察しました。ロボットが意図した軌跡から逸脱した場合、またはオブジェクトを誤って削除したとき、彼らは教育データのライブラリから代替軌跡を参照することにより、タスク中部を回復することができました。
MITの電気工学とコンピューターサイエンス、航空宇宙宇宙工学、機械工学のトヨタ教授である上級著者のラス・テドレーケは、この模倣ガイド付きデータ生成手法は、人間のデモンストレーションの強さとロボット運動計画アルゴリズムの力を組み合わせていると付け加えています。
「人間からの1つのデモでさえ、モーション計画の問題をはるかに容易にすることができます」と、トヨタリサーチインスティテュートおよびCSAIL主任研究者の大規模な行動モデルの上級副社長でもあるTedrakeは言います。 「将来的には、おそらくファンデーションモデルがこの情報を提供できるようになり、このタイプのデータ生成手法は、そのモデルのトレーニング後のレシピの一種を提供します。」
物理ゲンの未来
まもなく、物理ゲンは新しいフロンティアに拡張される可能性があります。マシンが実行できるタスクの多様化。
「たとえば、料理を片付けるためだけに訓練されているときに、水を注ぐためにPhysicsgenを使用してロボットを教えたいと思います」とYang氏は言います。 「私たちのパイプラインは、馴染みのあるタスクの動的に実行可能な動きを生成するだけではありません。また、人間が実証していないまったく新しいタスクを達成するためのビルディングブロックとして機能することができると思われる物理的相互作用の多様なライブラリを作成する可能性もあります。」
MITの研究者は、これがやや遠い目標であると警告するが、広く適用可能なトレーニングデータを多く作成すると、最終的にロボットの基礎モデルの構築に役立つ可能性があります。 CSAIL主導のチームは、シミュレーションの種として、インターネットビデオのように、物理学がどのように膨大で構造化されていないリソースを活用できるかを調査しています。目標：日常の視覚的なコンテンツを豊かなロボット対応のデータに変換し、機械に誰もそれらを明示的に表示しなかったタスクを実行するように教えることができます。
Yangと彼女の同僚は、将来的には多様な形状や構成を備えたロボットにとって、物理ゲンをさらに有用にすることを目指しています。それを実現するために、彼らは実際のロボットのデモンストレーションでデータセットを活用して、ロボットのジョイントが人間のものではなくどのように動くかを捉えることを計画しています。
また、研究者は、AIシステムが試行錯誤によって学習する補強学習を組み込むことを計画しており、物理学に人間が提供する例を超えてデータセットを拡大させることを計画しています。彼らは、ロボットが環境を視覚的に認識して解釈するのを助けるために、高度な知覚技術でパイプラインを増強し、機械が物理世界の複雑さを分析して適応できるようにすることができます。
今のところ、Physicsgenは、AIが同じカテゴリ、特に厳格なオブジェクト内のオブジェクトを操作するためにさまざまなロボットを教えるのにどのように役立つかを示しています。パイプラインは、ロボットが柔らかいアイテム（果物など）や変形可能なもの（粘土など）を処理する最良の方法を見つけるのにすぐに役立ちますが、それらの相互作用はまだ簡単ではありません。
YangとTedrakeは、2人のCsailの同僚と一緒に論文を書きました。共同主演著者であり、MIT PhDの学生Hyung Ju“ Terry” Suh SM ’22とMIT PhDの学生Bernhard PausGræsdal。 Robotics and AI Instituteの研究者Tong Zhao ’22、Meng ’23、Tarik Kelestemur、Jiuguang Wang、およびTao Pang PhD ’23も著者です。彼らの仕事は、ロボティクスとAI研究所とアマゾンによってサポートされていました。
研究者たちは最近、ロボティクス：Science and Systems Conferenceで作業を発表しました。
#シミュレーションベースのパイプラインテーラー器用ロボットのトレーニングデータ #MITニュース