Danijar Hafner ontwikkel robotte wat vir onbekende ruimtes vooruit beplan

Wat verander het

Volgens MIT Technology Review se beriggewing het Danijar Hafner (31), ’n voormalige navorser by Google DeepMind, ’n geheime robotika-onderneming in San Francisco begin. Die maatskappy gebruik mensagtige robotte wat uit China ingevoer word, asook versterkingsleer op grond van modelle. Dit lei agente met wêreldmodelle op om hulle te help om onbekende vloerplanne, meubels en ander verrassings in die werklike wêreld te hanteer, sonder om so sterk op fisiese proefneming staat te maak.

Waarom dit saak maak

’n Robot wat eers kan werk nadat ’n vertrek gekarteer, ingeoefen en opgeruim is, is bloot ’n demonstrasie wat kan rondloop. Die kommersiële waarde lê in ’n masjien wat ’n nuwe binnenshuise ruimte kan binnegaan en steeds verstandige besluite kan neem.

Dit verskuif die bedryfsvraag van “Kan hierdie robot die taak verrig?” na “Hoeveel terreinvoorbereiding, toesig en ingryping verg elke nuwe taak?” As Hafner se benadering van simulasie na fisiese masjiene oordra, kan operateurs meer werk toets voordat hulle op ’n terrein aankom en op ’n groter verskeidenheid plekke ontplooi sonder om die proses elke keer van nuuts af te ontwerp. Dit kan robotdienste haalbaar maak op plekke waarvan die uitleg te veranderlik is vir ’n pasgemaakte opstelling.

Ons vooruitsig (ingeligte bespiegeling): oor die volgende 6–12 maande sal die onderneming waarskynlik op uiteenlopende, maar beheerde binnenshuise toetse fokus voordat dit ’n wye ontplooiing in huise aandurf. Die moeilike deel is nie om ’n skoon roete om ’n bank uit te dink nie. Dit is om daardie plan te laat werk ondanks onvolmaakte sensors, lastig geplaasde meubels en hardeware wat dit getrou moet uitvoer.

Die vorige keer dat dit gebeur het

NASA se Opportunity-swerwer het Field D-Star in 2007 in die veld getoets en stereoterreininligting, hindernisdata en visuele odometrie gebruik om ’n geboë roete om gevare te beplan. Die strukturele ooreenkoms is duidelik: ’n fisiese masjien het ’n interne voorstelling gebruik om ’n roete te oorweeg voordat dit begin beweeg het.

Die wesenlike verskil is ewe belangrik. Opportunity het ontwerpte terreinkaarte en deterministiese beplanning vir beperkte Marsverkenning gebruik; Hafner se gerapporteerde poging gebruik aangeleerde wêreldmodelle vir mensagtige robotte wat in uiteenlopende menslike ruimtes moet werk. NASA het later berig dat Perseverance terreinkartering en outonome roetekeuse gebruik het om ’n veilige roete deur ’n onsigbare gaping te vind, Citadelle te bereik en 167 meter in een sol onder AutoNav te ry. Daardie uitkoms dui daarop dat beplanning, tesame met ’n voorstelling van die omgewing, begrensde navigasie wesenlik kan verbeter. Die toets is nou of ’n aangeleerde model betroubaar kan bly te midde van die wanordeliker fisika en sosiale rommel van ’n huis.

Hoe die gevolge kan uitbrei

As agente wat in simulasie opgelei is, betroubaar by onbekende uitlegte kan aanpas, kan robotoperateurs herhaalde opleiding op die terrein en handmatige ingryping verminder. Dit sal hulle in staat stel om kapasiteit aan meer plekke toe te wys, eerder as om elke nuwe gebou as ’n nuwe ingenieursprojek te behandel.

Die gevolg kan wyer toegang tot robotdienste in huise met veranderlike meubels en vloerplanne wees. Die ketting breek as die model werklike omstandighede miskyk, die mensagtige robot nie sy plan betroubaar kan uitvoer nie, of operateurs besluit dat die veiligheidsprestasie steeds noue toesig vereis.

Impakbeoordeling

• Robotoperateurs, oor 6–12 maande: Moontlike begunstigdes indien simulasie ’n deel van fisiese proefneming vervang en die bedryfslas van onbekende terreine verlaag.
• Verskaffers van mensagtige robotte, op kort termyn: ’n Moontlike bron van vraag, hoewel dit daarvan afhang of Hafner se onderneming sy navorsingsrigting in ontplooibare stelsels kan omskep.
• Huise met veranderlike uitlegte, oor die langer termyn: Die belangrikste toetsgrond. Beter aanpassing kan toegang verbreed; onbetroubare gedrag sal ontplooiings in beheerde omgewings gekonsentreer hou.

Scenario’s

Mees waarskynlik: As opleiding op grond van modelle nuttige aanpassing oplewer, maar fisiese betroubaarheid steeds gefaseerde bevestiging verg, sal die onderneming oor die volgende 6–12 maande hulpbronne op beheerde, maar uiteenlopende binnenshuise toetse toespits. Operateurs sal bewyse kry van waar simulasie opstelling verminder, terwyl ’n breë ontplooiing in huishoudings voortydig bly. Demonstrasies in onbekende uitlegte en ’n kleiner behoefte aan ingryping sal hierdie verloop versterk; uitgebreide heropleiding op elke terrein sal dit verswak.

Gunstige uitkoms: As wêreldmodelle goed na fisiese waarneming en aandrywing oordra, kan robotte onbekende huise of soortgelyke veranderlike binnenshuise terreine met minder pasgemaakte kaarte en minder handmatige ingryping navigeer. Operateurs kan dan proefprojekte na ’n wyer reeks plekke uitbrei en bruikbare robotkapasiteit verhoog waar herhaalde voorbereiding op die terrein ’n knelpunt was. Betroubare lopies in onbekende omgewings sal die betekenisvolle bewys wees.

Ongunstige uitkoms: As die gaping tussen gesimuleerde ervaring en fisiese toestande navigasie- of manipulasiefoute veroorsaak, sal die masjiene tot nou, beheerde demonstrasies beperk bly. Operateurs sal steeds baie aan toesig, voorbereiding en toetsing in die werklike wêreld moet bestee, wat toegang beperk tot omgewings wat nie gestandaardiseer kan word nie. Gereelde handmatige ingryping by nuwe hindernisse sal in daardie rigting dui.

Waarna om volgende te kyk

Kyk uit vir demonstrasies in werklik onbekende binnenshuise omgewings, nie bloot netjiese herhalings in voorbereide vertrekke nie. Kyk ook uit vir bewyse dat agente wat in simulasie opgelei is, minder opleiding in die werklike wêreld en minder ingryping deur operateurs verg; dié twee maatstawwe sal die kernbelofte duideliker toets as ’n mensagtige robot wat oor ’n bekende vloer loop.