Medan robotister har kunnat få robotar att göra imponerande saker som parkour i labbet, har det hela noggrant planerats för att utvecklas i en hårt kontrollerad miljö. Att låta en robot arbeta självständigt i ditt hem är fortfarande något oroande, särskilt i hem med barn och husdjur. Dessutom varierar husen i design, och arrangemanget av rum och föremål är ännu mer varierat.
Bland robotexperter finns det en allmänt erkänd synvinkel som kallas "Moravecs paradox": det som är svårt för människor är lätt för maskiner och det som är lätt för människor är svårt för maskiner. Men tack vare artificiell intelligens (AI) håller det på att förändras. Robotar börjar kunna utföra uppgifter som att vika tvätt, laga mat och lasta av varukorgar som för inte så länge sedan ansågs vara nästan omöjliga för robotar att utföra.
Enligt det senaste numret av MIT Technology Review befinner sig robotik som fält vid en brytpunkt: robotar flyttar ut från labbet och in i miljontals hem. Robotics är på gränsen till sin egen höjdpunkt.
Hemmarobotar kan inte vara för dyra
Robotar var tidigare synonymt med att vara dyra, med mycket komplexa modeller som kostade hundratusentals dollar, vilket gjorde dem oöverkomliga för de flesta familjer. Till exempel, PR2, en av de tidigaste iterationerna av en hemmarobot, vägde 200 kg och kostade 400 USD, 000 USD.
Lyckligtvis växer en ny generation billigare robotar fram gradvis. Stretch3, en ny hemrobot utvecklad av den amerikanska startupen HelloRobot, är mycket mer rimligt prissatt till $24 950 och väger 24,5 kilo. Den har en liten mobil bas, en joystick från vilken en kamera hänger, en justerbar arm och en fixtur med en sugkopp på änden som kan manövreras av en kontroller.
Samtidigt har ett team av forskare vid Stanford University i USA byggt ett system som heter MobileALOHA (Low-Cost Open Source Hardware for Remote Operation) som gör det möjligt för en robot att lära sig att laga räkor med hjälp av bara 20 databitar, inklusive mänskliga demonstrationer. Teamet använde hyllplanskomponenter för att bygga en mer prisvärd robot, även om den också kostade tiotusentals dollar, men tidigare liknande modeller kunde lätt kosta hundratusentals dollar.
AI bygger en "universell robothjärna"
Det som skiljer dessa nya robotar från deras "föregångare" är faktiskt deras mjukvara. Tack vare AI-boomen skiftar teknikens fokus nu från dyra robotar som uppnår fysisk skicklighet till neurala nätverk som bygger den "universella robothjärnan".
Roboticsexperter använder djupinlärning och neurala nätverk för att skapa "hjärnsystem" som kan lära av omgivningen och anpassa robotbeteende i enlighet därmed i applikationer, snarare än den traditionella noggranna planeringen och noggrann träning.
Sommaren 2023 introducerade Google RT-2, en vision-verbal-action-modell som får en allmän förståelse av världen från text och bilder på nätet som används för utbildning, såväl som från dess egna interaktioner, och översätter att data till robotåtgärder.
Toyota Research Institute, Columbia University och MIT-teamet har redan lärt robotar många nya uppgifter snabbt med hjälp av en AI-inlärningsteknik som kallas imitationsinlärning såväl som generativ AI. Detta tillvägagångssätt kommer att driva expansionen av generativa AI-tekniker från sfären av text, bilder och video till sfären av robotrörelse.
Covariant, en startup som växte ur OpenAIs nu nedlagda robotforskningsavdelning, byggde istället en multimodal modell, RFM-1, som accepterar ledtrådar från text, bilder, video och robotkommandon. Generativ AI tillåter robotar att förstå instruktioner och generera bilder eller videor relaterade till dessa uppgifter.
Mer data skapar smartare robotar
Kraften hos stora AI-modeller som GPT-4 ligger i att hamstra stora mängder data från Internet, men detta gäller inte robotar som behöver data som samlas in specifikt för dem. De behöver fysiska demonstrationer av hur man öppnar tvättmaskiner och kylskåp, tar upp en tallrik eller viker tvätt. Just nu är denna data mycket knapp och tar lång tid att samla in.
Google Deep Mind har lanserat ett nytt program som heter Open Source X-Embodiment Collaboration för att ändra på det. Förra året samarbetade företaget med cirka 150 forskare i 34 labb för att samla in data från 22 olika robotar, inklusive HelloRobot's Stretch 3. Den resulterande datamängden, som ska släppas i oktober 2023, kommer att innehålla 527 av robotens färdigheter, som att plocka, knuffa , och flyttar.
Det finns också en robot som heter RT-X, för vilken forskarna har byggt två versioner av modellen specifikt, som kan köras både lokalt på datorer i olika labb och nås över webben.
Den större, webbtillgängliga modellen var förtränad med internetdata för att utveckla "visuellt sunt förnuft" från stora språk- och bildmodeller. När forskare kör RT-X-modellen på många olika robotar, finner de att sådana robotar är 50 % mer framgångsrika i att lära sig färdigheter än system som utvecklas oberoende i varje labb.
Kort sagt, det är mer data som ger smartare robotar.