PIGINet migliora le capacità di problem solving dei robot domestici

Alessia Tomaselli : 22 Luglio 2023 20:04

I ricercatori del MIT hanno sviluppato PIGINet, un nuovo sistema che mira a migliorare in modo efficiente le capacità di risoluzione dei problemi dei robot domestici, riducendo i tempi di pianificazione del 50-80%.

Ciò è stato rilevato da un comunicato stampa dell’istituto pubblicato venerdì.

In condizioni normali, i robot domestici seguono procedimenti predefiniti per eseguire i compiti, il che non è sempre adatto ad ambienti diversi o mutevoli. PIGINet, come descritto dal MIT, è una rete che prende in considerazione “piani, immagini, obiettivi e fatti iniziali”, quindi prevede la probabilità che un piano di attività possa essere perfezionato per trovare piani di movimento fattibili.

Vuoi diventare un esperto del Dark Web e della Cyber Threat Intelligence (CTI)?
Stiamo per avviare il corso intermedio in modalità "Live Class", previsto per febbraio.
A differenza dei corsi in e-learning, disponibili online sulla nostra piattaforma con lezioni pre-registrate, i corsi in Live Class offrono un’esperienza formativa interattiva e coinvolgente.
Condotti dal professor Pietro Melillo, le lezioni si svolgono online in tempo reale, permettendo ai partecipanti di interagire direttamente con il docente e approfondire i contenuti in modo personalizzato. Questi corsi, ideali per aziende, consentono di sviluppare competenze mirate, affrontare casi pratici e personalizzare il percorso formativo in base alle esigenze specifiche del team, garantendo un apprendimento efficace e immediatamente applicabile.
Per ulteriori informazioni, scrivici ad [email protected] oppure scrivici su Whatsapp al 379 163 8765 

Supporta RHC attraverso:

• L'acquisto del fumetto sul Cybersecurity Awareness
• Ascoltando i nostri Podcast
• Seguendo RHC su WhatsApp
• Seguendo RHC su Telegram
• Scarica gratuitamente "Dark Mirror", il report sul ransomware di Dark Lab

Ti piacciono gli articoli di Red Hot Cyber? Non aspettare oltre, iscriviti alla newsletter settimanale per non perdere nessun articolo.

Il team ha valutato la capacità del nuovo sistema di aiutare un robot a funzionare in cucina. Hanno misurato il tempo necessario per risolvere i problemi con l’assistenza di PIGINet rispetto agli approcci precedenti.

I risultati di PIGINet

Hanno scoperto che PIGINet ha ridotto significativamente il tempo di pianificazione dell’80% negli scenari più semplici e del 20-50% in quelli più complessi.

“Sistemi come PIGINet, che sfruttano la potenza dei metodi basati sui dati per gestire in modo efficiente casi già noti, ma che possono comunque ricorrere a metodi di pianificazione “di primo principio” per verificare i suggerimenti basati sull’apprendimento e risolvere problemi nuovi, offrono il meglio di entrambi i mondi, fornendo soluzioni generali affidabili ed efficienti per un’ampia varietà di problemi”, ha dichiarato Leslie Pack Kaelbling, professore del MIT e ricercatore principale del CSAIL.

I ricercatori si sono avvalsi anche di modelli linguistici di visione preaddestrati e di trucchi per aumentare i dati per far fronte alla scarsità di dati di addestramento validi per i robot domestici.

Obiettivi

“Poiché la casa di ognuno di noi è diversa, i robot dovrebbero essere in grado di risolvere i problemi adattandosi ad ogni luogo, anziché limitarsi a seguire le indicazioni passo passo. La nostra idea è lasciare che un task planner generico generi piani di attività e utilizzare un modello di deep learning per selezionare quelli più promettenti. Il risultato è un robot domestico più efficiente, adattabile e pratico, in grado di navigare agilmente anche in ambienti complessi e dinamici. Inoltre, le applicazioni pratiche di PIGINet non si limitano alle abitazioni”, ha dichiarato Zhutian Yang, dottorando del MIT CSAIL e autore principale del lavoro.

“Il nostro obiettivo futuro è quello di perfezionare ulteriormente PIGINet per suggerire piani di attività alternativi dopo aver identificato azioni non fattibili. Ciò accelererà ulteriormente la generazione di piani di attività fattibili senza la necessità di grandi insiemi di dati per addestrare un pianificatore generico da zero. Crediamo che questo possa rivoluzionare il modo in cui i robot vengono addestrati durante lo sviluppo e poi applicati nelle case di tutti”.

“Questo lavoro affronta una sfida importante nell’implementazione di un robot generico: come imparare dall’esperienza passata per accelerare il processo decisionale in ambienti non strutturati e colmi di ostacoli”. Questo è ciò che ha dichiarato Beomjoon Kim PhD ’20, professore assistente presso la Graduate School of AI del Korea Advanced Institute of Science and Technology (KAIST).

Alessia Tomaselli
Laureata in Mediazione Linguistica per le lingue inglese e spagnolo, attualmente lavora come copywriter presso s-mart.biz, società leader nella sicurezza informatica.

Lista degli articoli