Стартап Skild AI представил свою систему контекстного обучения (In-context Learning) для роботов, которая является результатом обучения их  многотелесного мозга для роботов (omni-bodied robot brain) и позволяет роботам гибко адаптироваться к возможным изменениям своей структуры.

Изменения структуры робота могут произойти из-за повреждения конечностей (потеря, поломка, заклинившие колёса) или появления дополнительной нагрузки.

Заявляется, что их модель не обучалась управлять именно этими роботами, но благодаря тому, что модель ранее была обучена управлять 100’000 различных роботов — теперь она может управлять новыми роботами с нуля и адаптироваться даже к экстремальным изменениям их конструкции.

Фактически, модель не знает в теле какого робота она находится, но умеет  использовать данные о результатах предыдущих попыток управления в качестве подсказки для улучшения своего поведения (в этом и состоит контекстные обучение, которое также наблюдается в больших языковых моделях).

В зависимости от серьёзности изменений, контекстное обучение происходит в течение миллисекунд или минут.

Представленные эмерджентные возможности модели демонстрируют не только её способность адаптироваться к изменениям структуры роботов, но и показывают, что системе ИИ для управления роботами в реальном мире требуется не просто запоминать последовательность действий, а уметь адаптироваться под изменяющиеся условия физического мира.

Ссылки

• The case for an omni-bodied robot brain

По теме

• ASAP — подход по переносу обучения из симуляции в реальность от Nvidia
• Робот-собака учится передвижению по сложной местности при помощи обучения с подкреплением
• Роботы из веток учатся ходить при помощи глубокого обучения
• Обучение робота ходьбе при помощи нейронной сети