人間は、ほとんど何も考えずに棚から本を手に取ることができます。しかし、これは脳にとっては複雑なプロセスであり、計画を立てたり、他の本や小物などの障害物を回避したりする必要があります。ロボット研究者は、システムが同様のタスクを実行するときに、この種の人間の動きを再現するのに苦労してきました。動作計画として知られる、障害物にぶつからずに物体をある点から別の点に移動させるロボットをトレーニングするプロセスには、時間とリソースがかかります。これは、ロボットが未知の環境において人間のように動的に反応できないためです。

カーネギーメロン大学ロボット研究所（RI）のチームが開発した神経運動計画新しい環境におけるロボットの反応を改善するのに役立ちます。データ駆動型のアプローチでは、単一の汎用性の高い人工知能ネットワークを使用して、キャビネット、食器洗い機、冷蔵庫などのさまざまな不慣れな家庭環境で動作計画を実行します。

「ロボットを配備するとき、構造化されていない設定や未知の設定、つまりすべてを知っていると想定できない環境でロボットを動作させたい場合があります」と、RI博士課程の学生であるムルタザ・ダラル氏は言う。「ここで、これらの古典的な動作計画手法が機能しなくなるのです。大きな問題の 1 つは、これらのアルゴリズムが数千回、場合によっては数百万回の衝突チェックを実行する必要があるため、非常に遅いということです。」

ニューラル モーション プランニングは、人間がさまざまな経験を集めて練習し、徐々に熟練度を高める方法からインスピレーションを受けました。新しいスキルを習得するとき、人間はゆっくりとした不確かな動作から始めて、速くてダイナミックな動作に進みます。ニューラル モーション プランニングにより、ロボットは不慣れな環境でもより汎用性が高く、物体を移動する際に一般的に適応することができます。

研究者は、神経運動計画を訓練するために何百万もの複雑な環境をシミュレートしました。これらのシミュレーションでは、ロボットは棚、収納棚、電子レンジ、食器洗い機、開いた箱やキャビネットなどの家庭環境に遭遇し、場合によっては子犬や花瓶などのランダムな物体の周りを動き回らなければなりませんでした。モデルは、反応的かつ高速に実行するようにトレーニングされました。モーション計画中。このプロセスとデータはジェネラリスト ポリシーに基づいて抽出されたため、ロボットが現実世界に展開されると、これまでとは異なる環境でタスクを実行できるようになります。

「私たちは視覚と言語の大規模学習（ChatGPTを思い浮かべてください）では驚くべき成功を見てきましたが、ロボット工学ではそうではありません。まだです」とRIのラージ・レディ助教授ディーパック・パタック氏は語った。「この研究は、その目標に向けた足がかりです。ニューラル モーション プランニングは、シミュレーションで大規模に学習するというシンプルなレシピを使用して、現実世界での高度な一般化を実現します。これは、異なる背景、オブジェクト、障害物、さらには全体的なシーン全体で機能します。シーンのアレンジメント。」

研究室のロボット アームで使用すると、Neural Motion Planning は不慣れな環境でも問題なくナビゲートできました。ロボット システムには、深度カメラを使用して作成されたシーンの開始点の 3 次元表現が与えられ、研究者がロボット アームが最終的に到達することを望んでいた目標位置が提示されました。次に、Neural Motion Planning が関節構成を提供しました。ロボットアーム始点から終点まで移動します。RI修士課程の学生、Jiahui Yang氏は、「単一のモデルが、ロボットアームを動かしてタスクを完了させながら、ランプ、植物、本棚、キャビネットのドアなど、家庭内のさまざまな障害物を巧みに回避するのを見るのは興奮した」と語った。

「この偉業は、視覚と言語における機械学習の成功と同様のレシピに従って、データ生成を大規模にスケールアップすることによって可能になりました。」