\n<\/p>\n
Hay innumerables razones por las que los robots dom\u00e9sticos han tenido poco \u00e9xito despu\u00e9s de Roomba. El precio, la practicidad, el factor de forma y el mapeo han contribuido a un fracaso tras otro. Incluso cuando se aborden algunos o todos ellos, queda la cuesti\u00f3n de qu\u00e9 sucede cuando un sistema comete un error inevitable.<\/p>\n
Este tambi\u00e9n ha sido un punto de fricci\u00f3n a nivel industrial, pero las grandes empresas tienen los recursos para abordar los problemas a medida que surgen. Sin embargo, no podemos esperar que los consumidores aprendan a programar o contratar a alguien que pueda ayudar cada vez que surja un problema. Afortunadamente, este es un gran caso de uso para modelos de lenguajes grandes (LLM) en el espacio de la rob\u00f3tica, como lo ejemplifica una nueva investigaci\u00f3n del MIT.<\/p>\n
Un estudio que se presentar\u00e1 en la Conferencia Internacional sobre Representaciones del Aprendizaje (ICLR) en mayo pretende aportar un poco de \u201csentido com\u00fan\u201d al proceso de correcci\u00f3n de errores.<\/p>\n
\u00abResulta que los robots son excelentes imitadores\u00bb, explica la escuela. \u00abPero a menos que los ingenieros tambi\u00e9n los programen para adaptarse a cada posible golpe y empuj\u00f3n, los robots no necesariamente saben c\u00f3mo manejar estas situaciones, a menos que comiencen su tarea desde arriba\u00bb.<\/p>\n
Tradicionalmente, cuando un robot encuentra problemas, agota sus opciones preprogramadas antes de requerir intervenci\u00f3n humana. Este es un desaf\u00edo particular en un entorno no estructurado como un hogar, donde cualquier cantidad de cambios en el status quo puede afectar negativamente la capacidad de funcionamiento de un robot.<\/p>\n
Los investigadores detr\u00e1s del estudio se\u00f1alan que si bien el aprendizaje por imitaci\u00f3n (aprender a realizar una tarea mediante la observaci\u00f3n) es popular en el mundo de la rob\u00f3tica dom\u00e9stica, a menudo no puede explicar las innumerables peque\u00f1as variaciones ambientales que pueden interferir con el funcionamiento normal, por lo que requieren un sistema. para reiniciar desde el punto de partida. La nueva investigaci\u00f3n aborda esto, en parte, dividiendo las manifestaciones en subconjuntos m\u00e1s peque\u00f1os, en lugar de tratarlas como parte de una acci\u00f3n continua.<\/p>\n
Aqu\u00ed es donde los LLM entran en escena, eliminando la necesidad de que el programador etiquete y asigne las numerosas subacciones manualmente.<\/p>\n
\u201cLos LLM tienen una manera de indicarle c\u00f3mo realizar cada paso de una tarea, en lenguaje natural. La demostraci\u00f3n continua de un ser humano es la encarnaci\u00f3n de esos pasos, en el espacio f\u00edsico\u201d, dice el estudiante de posgrado Tsun-Hsuan Wang. \u00abY quer\u00edamos conectar los dos, de modo que un robot supiera autom\u00e1ticamente en qu\u00e9 etapa se encuentra una tarea y pudiera replanificar y recuperarse por s\u00ed solo\u00bb.<\/p>\n
La demostraci\u00f3n particular presentada en el estudio implica entrenar a un robot para que recoja canicas y las vierta en un recipiente vac\u00edo. Es una tarea simple y repetible para los humanos, pero para los robots es una combinaci\u00f3n de varias tareas peque\u00f1as. Los LLM son capaces de enumerar y etiquetar estas subtareas. En las demostraciones, los investigadores sabotearon la actividad en peque\u00f1as formas, como desviar al robot de su curso y sacar canicas de su cuchara. El sistema respondi\u00f3 autocorrigiendo las peque\u00f1as tareas, en lugar de empezar desde cero.<\/p>\n
\u00abCon nuestro m\u00e9todo, cuando el robot comete errores, no necesitamos pedirle a los humanos que programen ni hacer demostraciones adicionales de c\u00f3mo recuperarse de fallas\u00bb, a\u00f1ade Wang.<\/p>\n
Es un m\u00e9todo convincente para ayudar a evitar perder completamente la cabeza.<\/p>\n<\/p><\/div>\n