Лучше традиционных подходов. Роботы быстрее учатся новым навыкам благодаря мультизадачным ИИ-моделям

Об этом пишет издание Interesting Engineering.

Исследователи из Toyota Research Institute установили, что модели, обученные сразу на многих задачах, работают значительно лучше тех, которые тренируются под одну конкретную задачу. Такие модели называют большими поведенческими моделями.

В рамках исследования использовали около 1700 часов учебных данных и провели 1800 испытаний в реальных условиях. Роботы смогли выполнять сложные действия, например собирать завтрак или устанавливать тормозной диск на велосипед.

По словам исследователя Jose Barreiros, результаты подтверждают, что предварительное обучение на большом количестве различных задач является эффективным путем к созданию более способных роботов.

Ученые стремятся создать универсальных роботов, которые могут работать в реальной среде. Хотя технически роботы уже способны выполнять многие действия, им не хватает автономности. Один из подходов — обучение через подражание: роботы повторяют действия человека без четкого программирования.

Впрочем, модели, натренированные только на одной задаче, плохо адаптируются к новым условиям. Поэтому исследователи переходят к мультизадачному обучению на больших наборах данных.

В этом исследовании модели обучались более чем на 500 различных задачах — от простого перемещения предметов до более сложных действий, таких как нарезание яблока или складывание завтрака в ланчбокс.

Результаты показали, что дополнительное обучение таких моделей под конкретные задачи дает лучший результат, чем создание новых моделей с нуля. Даже с тем же количеством данных они работают эффективнее, а иногда достигают таких же результатов, используя в 3−5 раз меньше примеров.

Это особенно важно для робототехники, ведь сбор данных для обучения обычно требует много времени и средств.

Также выяснилось, что модели, обученные на разнообразных данных, лучше адаптируются к новым задачам и незнакомым условиям. Их преимущество особенно заметно, когда реальные условия отличаются от тех, на которых проходило обучение.

В то же время модели без дополнительного обучения не всегда превосходят узкоспециализированные системы. Это частично объясняется тем, что современные модели еще недостаточно хорошо работают с языковыми подсказками.

Исследователи также отмечают, что оценивать работу роботов сложно: на результаты влияют условия среды и различия в обучении. Поэтому важно проводить большое количество тестов и использовать точные методы анализа.

В целом результаты исследования свидетельствуют, что мультизадачное обучение может стать основой для создания более гибких и эффективных роботов.