Ученые Массачусетского технологического института (MIT) разработали новый универсальный метод обучения роботов, который значительно упрощает и ускоряет их подготовку к выполнению различных задач. Исследование опубликовано на платформе arXiv.
Традиционно для обучения роботов использовались данные, специфичные для каждой задачи, что требовало много времени и ресурсов. Новый подход MIT объединяет разнообразные данные из различных источников, таких как симуляции и реальное использование роботов, что позволяет обучать машины более эффективно.
Ключевым элементом метода стал архитектурный подход под названием Heterogeneous Pretrained Transformers (HPT), который обрабатывает данные от датчиков и камер, переводя их в единый формат. Это позволяет модели быстро адаптироваться к новым задачам, используя уже накопленные знания.
Метод HPT основывается на идее предобучения, использованной в больших языковых моделях, таких как GPT-4. Ученые использовали огромный набор данных, включающий более 200,000 траекторий роботов из различных источников, чтобы повысить производительность обучения.
Результаты тестирования показали, что использование HPT улучшает производительность роботов на более чем 20% по сравнению с традиционным подходом. Ученые надеются, что в будущем смогут создать универсальный «мозг» для роботов, который можно будет использовать без необходимости дополнительного обучения.