- Nghiên cứu mới từ MIT cho thấy việc sử dụng AI tạo sinh có thể cải thiện đáng kể hiệu suất của robot hình người, giúp chúng thực hiện nhiều nhiệm vụ khác nhau với độ chính xác cao hơn.
- Một trong những thách thức lớn nhất trên con đường phát triển hệ thống đa mục đích là việc đào tạo. Các phương pháp hiện tại như học tăng cường và học bắt chước đang được kết hợp với mô hình AI tạo sinh để tạo ra các giải pháp hiệu quả hơn.
- MIT đã phát triển một phương pháp gọi là "policy composition" (PoCo), cho phép robot kết hợp thông tin từ các bộ dữ liệu nhỏ, cụ thể để thực hiện các nhiệm vụ phức tạp như đóng đinh và lật đồ vật bằng xẻng.
- Theo MIT, việc tích hợp các mô hình khuếch tán đã cải thiện hiệu suất nhiệm vụ của robot lên đến 20%, bao gồm khả năng thực hiện các nhiệm vụ yêu cầu nhiều công cụ và học hỏi/thích nghi với các nhiệm vụ mới.
- Hệ thống này có thể kết hợp thông tin từ các bộ dữ liệu khác nhau thành một chuỗi hành động cần thiết để thực hiện nhiệm vụ.
- Lirui Wang, tác giả chính của bài báo, cho biết: "Một trong những lợi ích của phương pháp này là chúng ta có thể kết hợp các chính sách để đạt được những điều tốt nhất từ cả hai thế giới. Ví dụ, một chính sách được đào tạo trên dữ liệu thực tế có thể đạt được sự khéo léo hơn, trong khi một chính sách được đào tạo trên mô phỏng có thể đạt được sự tổng quát hóa hơn."
- Mục tiêu của công trình này là tạo ra các hệ thống trí tuệ cho phép robot thay đổi các công cụ khác nhau để thực hiện các nhiệm vụ khác nhau, đưa ngành công nghiệp tiến gần hơn đến giấc mơ về hệ thống đa mục đích.
📌 Nghiên cứu từ MIT sử dụng AI tạo sinh để cải thiện hiệu suất robot hình người, giúp chúng thực hiện nhiều nhiệm vụ với độ chính xác cao hơn, tăng hiệu suất lên 20%. Phương pháp PoCo kết hợp thông tin từ các bộ dữ liệu khác nhau, đưa ngành công nghiệp tiến gần hơn đến hệ thống đa mục đích.
https://techcrunch.com/2024/06/12/generative-ai-takes-robots-a-step-closer-to-general-purpose/