AI DeepMind Melatih RoboCat untuk Belajar Lebih Cepat dan Menjadi Robot Multiguna
Robots semakin meluas di budaya mainstream, namun mereka biasanya terbatas dalam kemampuan mereka karena pemrograman. Meskipun terdapat potensi manfaat dalam menggabungkan kemajuan AI terbaru ke dalam desain robot, kemajuan dalam pengembangan robot serbaguna masih lambat karena waktu yang dibutuhkan untuk memperoleh data pelatihan dunia nyata.
Pengembangan robot dengan kemampuan untuk belajar banyak tugas sekaligus dan menggabungkan pemahaman model bahasa dengan kemampuan praktis robot pembantu adalah area yang telah menjadi subjek penelitian yang luas.
RoboCat dari DeepMind merupakan agen pertama yang dapat menyelesaikan dan beradaptasi dengan berbagai tugas pada beberapa jenis robot nyata. Temuan menunjukkan bahwa RoboCat belajar dengan jauh lebih cepat daripada model canggih lainnya. Karena belajar dari dataset yang sangat besar dan beragam, RoboCat dapat mempelajari keterampilan baru dengan hanya 100 demonstrasi. Kapasitas ini sangat penting dalam mengembangkan robot serbaguna dan akan mempercepat penelitian robotika dengan mengurangi persyaratan pelatihan yang diawasi oleh manusia.
Model multimodal mereka, Gato (bahasa Spanyol untuk “kucing”), adalah dasar bagi RoboCat, karena dapat memproses kata-kata, visual, dan tindakan dalam pengaturan virtual dan dunia nyata. Pekerjaan mereka menggabungkan struktur Gato dengan dataset pelatihan massal yang berisi data visual dan gerakan ratusan lengan robot yang melakukan berbagai pekerjaan. Setelah fase pelatihan awal ini, tim mengajarkan RoboCat melalui siklus pelatihan “self-improvement” dengan serangkaian aktivitas baru. Setiap aktivitas baru dipelajari dalam lima tahap:
1. Mengumpulkan seratus hingga seribu contoh tugas baru atau robot yang ditunjukkan dengan lengan robot yang dikendalikan oleh manusia.
2. Menyempurnakan RoboCat untuk tugas/lengan baru untuk menghasilkan agen turunan dengan kemampuan khusus.
3. Agen anak melakukan 10.000 repetisi latihan pada tugas/lengan baru, menambahkan ke dalam pool data pelatihan.
4. Menggabungkan data sampel dengan karya pengguna dan data demonstrasi ke dalam dataset saat ini RoboCat.
5. Melatih ulang RoboCat menggunakan dataset yang diperbarui.
Versi terbaru RoboCat didasarkan pada dataset yang berisi jutaan lintasan dari lengan robot nyata dan simulasi, serta data yang dibuat oleh sistem itu sendiri, berkat semua pelatihan ini. Data berbasis visual yang menggambarkan pekerjaan yang akan dilakukan oleh RoboCat dikumpulkan menggunakan empat jenis robot yang berbeda dan banyak lengan robot.
RoboCat dilatih untuk menggunakan beberapa lengan robot dalam beberapa jam. Ia belajar menggunakan lengan yang lebih rumit dengan penggenggam tiga jari dan dua kali lipat masukan yang dikendalikan, meskipun sebelumnya dia diajarkan pada lengan dengan penggenggam dua jari.
RoboCat belajar mengendalikan lengan baru ini dengan cukup lihai sehingga dapat mengambil gigi dengan tingkat keberhasilan 86% setelah melihat 1000 demonstrasi yang dikendalikan oleh manusia yang dikumpulkan dalam beberapa jam. Tingkat demonstrasi yang sama memungkinkannya belajar melakukan tugas-tugas yang membutuhkan kepresisian dan pengetahuan, seperti memilih buah yang tepat dari mangkuk dan memecahkan teka-teki pencocokan bentuk.
Pelatihan RoboCat adalah mandiri; semakin banyak ia belajar, semakin meningkat kemampuannya untuk belajar. Tim menunjukkan bahwa setelah belajar dari 500 demonstrasi dari setiap tugas, versi asli RoboCat hanya 36% lebih efektif dalam melakukan aktivitas yang belum pernah dilihat sebelumnya. Namun, RoboCat versi terbaru yang dilatih dalam berbagai aktivitas memiliki dua kali lipat keberhasilan.
Tim percaya bahwa RoboCat akan membuka jalan bagi generasi baru agen robot serbaguna yang lebih membantu karena dapat belajar secara mandiri dan mengembangkan keterampilan dengan cepat, terutama ketika diterapkan pada peralatan robotik yang berbeda.
Manfaat RoboCat dalam Pengembangan Robot Serbaguna
Pengembangan robot serbaguna telah menjadi tantangan dalam bidang robotika. Namun, dengan kemampuan RoboCat untuk belajar lebih cepat dan mengadaptasi berbagai tugas, pengembangan robot serbaguna menjadi lebih memungkinkan.
Kecepatan pembelajaran RoboCat yang signifikan dibandingkan dengan model canggih lainnya memberikan kemajuan dalam pengembangan robot serbaguna. Dengan belajar dari dataset yang luas dan beragam, RoboCat dapat mempelajari keterampilan baru dengan jumlah demonstrasi yang relatif sedikit. Hal ini mengurangi kebutuhan pelatihan yang diawasi oleh manusia dan mempercepat penelitian dalam bidang robotika.
Penggabungan pemahaman bahasa, visual, dan tindakan dalam kemampuan RoboCat membantu dalam mengembangkan robot serbaguna yang dapat memahami bahasa manusia dan menerjemahkan bahasa tersebut ke dalam tindakan praktis. Hal ini memungkinkan robot untuk menjadi lebih efisien dalam membantu manusia dalam berbagai tugas sehari-hari.
Dengan kemampuan belajar mandiri dan meningkatkan kemampuan belajarnya seiring waktu, RoboCat dapat menjadi fondasi untuk pengembangan robot serbaguna
Disarikan dari: Sumber