California Üniversitesi’ndeki araştırmacılar, insansı robotların çeşitli arazilerde ve engellerde ustalıkla gezinmesini sağlayacak çok yönlü bir kontrol sistemi oluşturdular. Büyük dil modellerinde (LLM) devrim yaratan derin öğrenme çerçevelerinden ilham alan bu yapay zeka sistemi, basit bir prensibe dayanıyor: Son gözlemleri incelemek, gelecekteki durumları ve eylemleri tahmin etmeye yardımcı olabilir.
Sistem tamamen simülasyon üzerine eğitildi ancak öngörülemeyen gerçek dünya ortamlarında güçlü bir performans sergiliyor. Yapay zeka, geçmiş etkileşimlerini analiz ederek, eğitim aşamasında hiç karşılaşmadığı yeni senaryolarla etkili bir şekilde başa çıkmak için davranışını dinamik olarak geliştirebiliyor.
Her türlü araziye uygun bir robot
İnsan vücudundan ilham alınarak tasarlanan insansı robotlar, bir gün dünyayı dolaşabilen ve çeşitli fiziksel, bilişsel görevlere yardımcı olabilen değerli asistanlar olma vaadini taşıyor. Ancak çok yönlü insansı robotlar yaratmanın, esnek bir kontrol sistemi oluşturmak da dahil olmak üzere birçok zorluğu vardır.
Robotikteki geleneksel kontrol sistemleri, herkesin bildiği gibi esnek değildir, genellikle belirli görevler için tasarlanmıştır ve gerçek dünyadaki arazilerin ve görsel koşulların öngörülemezliğiyle baş edemez. Bu katılık, kullanımlarını sınırlandırarak onları kontrollü ortamlara hapseder.
Sonuç olarak, robotik kontrol için öğrenmeye dayalı yöntemlere olan ilgi giderek artmaktadır. Bu kontrol sistemleri, simülasyonlardan veya çevreyle doğrudan etkileşimden elde edilen verilere dayanarak davranışlarını dinamik olarak uyarlayabilir.
U.C.’deki bilim adamları tarafından oluşturulan yeni kontrol sistemi insansı robotları farklı durumlarda kolaylıkla yönlendirmeyi vaat ediyor. Tam boyutlu, genel amaçlı bir insansı robot olan Digit’e yerleştirilen sistem, yürüyüş yolları, kaldırımlar, koşu parkurları ve açık alanlar gibi günlük insan ortamlarında güvenilir bir şekilde gezinerek açık havada etkileyici yürüme yetenekleri sergiliyor. Robotun uyarlanabilirliği, beton, kauçuk ve çim gibi çeşitli arazileri düşmeden idare edebilecek kadar geniştir.
Araştırmacılar: Kontrolörümüzün test edilen tüm arazilerde güvenilir bir şekilde yürüyebildiğini ve güvenlik köprüsü olmadan rahatlıkla konuşlandırabildiğini gördük. Aslında, dış ortamlarda yaptığımız bir haftalık tam gün test boyunca herhangi bir düşme gözlemlemedik.
Üstelik robotun bozulmalara karşı dayanıklılığı kapsamlı bir şekilde test edildi. Beklenmedik adımları, yolundaki rastgele nesneleri ve hatta kendisine doğru fırlatılan nesneleri başarıyla yönetebildiği gözlemlendi. Robot aynı zamanda itilmeye ve çekilmeye de dayanıklı, bu tür aksaklıklar karşısında duruşunu ve dengesini koruyor.
Transformatörlerle robot kontrolü
Etkileyici becerilere sahip birçok insansı robot olsa da bu yeni sistemin ilginç yanı, yapay zeka modelinin eğitim ve uygulanma sürecidir.
Kontrol modeli, yüksek performanslı GPU tabanlı fizik simülasyon ortamı olan Isaac Gym’deki binlerce alan ve on milyarlarca senaryo üzerinde tamamen simülasyon eğitimi aldı. Bu kapsamlı simüle edilmiş deneyim daha sonra daha fazla ince ayar yapılmasına gerek kalmadan gerçek dünyaya aktarıldı; bu süreç simden gerçeğe aktarım olarak biliniyordu. Sistem, dikkat çekici bir şekilde, eğitimi sırasında açıkça ele alınmayan gezinme adımları gibi karmaşık senaryoları yöneterek, gerçek dünyadaki operasyon sırasında ortaya çıkan yetenekler sergiledi.
Bu sistemin kalbinde, özduyusal gözlemlerin ve eylemlerin geçmişini işleyen derin bir öğrenme modeli olan “causal transformer” (nedensel dönüştürücü) bulunur. Bu transformatör, yürüyüş modelleri ve temas durumları gibi belirli bilgilerin robotun gözlemleriyle ilgisini ayırt etme konusunda mükemmeldir.
Büyük dil modellerindeki etkinlikleriyle bilinen transformatörler, kapsamlı veri dizilerindeki sonraki öğeleri tahmin etme konusunda doğuştan gelen bir yeteneğe sahiptir. Burada kullanılan nedensel dönüştürücü, gözlem ve eylem dizilerinden öğrenme konusunda ustadır, eylemlerin sonuçlarını yüksek hassasiyetle tahmin etmesine ve gelecekteki daha uygun durumlara ulaşmak için davranışını değiştirmesine olanak tanır. Daha önce karşılaşmamış olsa bile, manzaraya göre eylemlerini dinamik olarak bu şekilde ayarlayabilir.
Araştırmacılar makalelerinde, “Gözlemlerin ve eylemlerin geçmişinin, güçlü bir transformatör modelinin davranışını test zamanında dinamik olarak uyarlamak için kullanabileceği dünya hakkındaki bilgileri örtülü olarak kodladığını varsayıyoruz” diye belirtiyor.
“in-context adaptation” (Bağlamlı adaptasyon) olarak adlandırdıkları bu kavram, dil modellerinin, anında yeni görevleri öğrenmek ve çıkarım sırasında çıktılarını dinamik olarak iyileştirmek için etkileşimlerinin bağlamını nasıl kullandığını yansıtıyor.
Transformatörlerin, zamansal evrişimli ağlar (TCN) ve uzun kısa süreli bellek ağları (LSTM) gibi diğer sıralı modellerle karşılaştırıldığında üstün öğreniciler olduğu kanıtlanmıştır. Mimarileri ek veriler ve hesaplama gücü ile ölçeklendirmeye olanak tanır ve ekstra giriş yöntemlerinin entegrasyonu yoluyla geliştirilebilirler.
Geçtiğimiz yıl transformatörlerin robot topluluğu için önemli bir varlık haline geldiği görüldü; birçok model, çeşitli kapasitelerdeki robotları güçlendirmek için çok yönlülüklerini kullandı. Transformatörlerin faydaları arasında gelişmiş kodlama ve farklı yöntemlerin karıştırılmasının yanı sıra yüksek seviyeli doğal dil talimatlarının robotlar için özel planlama adımlarına çevrilmesi yer alır.
Araştırmacılar şu sonuca varıyor: “Görme ve dil gibi alanlara benzer şekilde, transformatörlerin gerçek dünyadaki insansı hareket için öğrenme yaklaşımlarını ölçeklendirmede gelecekteki ilerlememizi kolaylaştırabileceğine inanıyoruz.”
Kaynak: venturebeat.com
