Warum gibt es nicht mehr Roboter in den Häusern? Das ist eine überraschend komplexe Frage – und unsere Häuser sind überraschend komplexe Orte. Ein großer Teil des Grundes dafür, dass autonome Systeme vor allem in Lager- und Fabrikhallen erfolgreich sind, ist die relative Leichtigkeit, sich in einer strukturierten Umgebung zurechtzufinden. Sicher, die meisten Systeme erfordern immer noch die Kartierung eines Raums, bevor man mit der Arbeit beginnen kann, aber sobald dies erfolgt ist, gibt es in der Regel kaum noch Variationen.
Häuser hingegen sind eine Art Albtraum. Sie variieren nicht nur erheblich von Einheit zu Einheit, sie sind auch voller unfreundlicher Hindernisse und neigen dazu, ziemlich dynamisch zu sein, wenn Möbel verschoben oder Dinge auf dem Boden liegen gelassen werden. Staubsauger sind die am weitesten verbreiteten Roboter im Haushalt und werden auch nach Jahrzehnten auf dem Markt immer noch weiterentwickelt.
Diese Woche stellen Forscher am MIT CSAIL vor PIGINet (Pläne, Bilder, Ziele und erste Fakten), das darauf ausgelegt ist, die Aufgaben- und Bewegungsplanung in Heimrobotersysteme zu integrieren. Das neuronale Netzwerk soll dabei helfen, ihre Fähigkeit zu optimieren, Aktionspläne in verschiedenen Umgebungen zu erstellen.
Das MIT erklärt PIGINet folgendermaßen:
[I]Es verwendet einen Transformator-Encoder, ein vielseitiges und hochmodernes Modell, das für die Verarbeitung von Datensequenzen entwickelt wurde. Die Eingabesequenz besteht in diesem Fall aus Informationen darüber, welchen Aufgabenplan es in Betracht zieht, Bildern der Umgebung und symbolischen Kodierungen des Ausgangszustands und des gewünschten Ziels. Der Encoder kombiniert die Aufgabenpläne, Bilder und Texte, um eine Vorhersage hinsichtlich der Durchführbarkeit des ausgewählten Aufgabenplans zu erstellen.
Das System konzentriert sich derzeit hauptsächlich auf Aktivitäten in der Küche. Es stützt sich auf simulierte Wohnumgebungen, um Pläne zu erstellen, die Interaktionen mit verschiedenen Elementen der Umgebung erfordern, wie Theken, Schränken, dem Kühlschrank, Waschbecken usw. Die Forscher sagen, dass PIGINet in einfacheren Szenarien die Planungszeit um 80 % reduzieren konnte. . Bei komplexeren Situationen lag diese Zahl im Allgemeinen bei etwa 20–50 %.
Das Team geht davon aus, dass Häuser nur der Anfang sind.
„Die praktischen Anwendungen von PIGINet sind nicht auf Haushalte beschränkt“, sagt Doktorand Zhutian Yang. „Unser zukünftiges Ziel besteht darin, PIGINet weiter zu verfeinern, um alternative Aufgabenpläne nach der Identifizierung undurchführbarer Aktionen vorzuschlagen, was die Erstellung realisierbarer Aufgabenpläne weiter beschleunigen wird, ohne dass große Datensätze für die Schulung eines Allzweckplaners von Grund auf erforderlich sind.“ Wir glauben, dass dies die Art und Weise revolutionieren könnte, wie Roboter während der Entwicklung trainiert und dann in jedem Zuhause eingesetzt werden.“