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.

Christmas Sale -40% 𝗖𝗵𝗿𝗶𝘀𝘁𝗺𝗮𝘀 𝗦𝗮𝗹𝗲! Sconto del 𝟰𝟬% 𝘀𝘂𝗹 𝗽𝗿𝗲𝘇𝘇𝗼 𝗱𝗶 𝗰𝗼𝗽𝗲𝗿𝘁𝗶𝗻𝗮 del Corso "Dark Web & Cyber Threat Intelligence" in modalità E-Learning sulla nostra Academy!🚀 Fino al 𝟯𝟭 𝗱𝗶 𝗗𝗶𝗰𝗲𝗺𝗯𝗿𝗲, prezzi pazzi alla Red Hot Cyber Academy. 𝗧𝘂𝘁𝘁𝗶 𝗶 𝗰𝗼𝗿𝘀𝗶 𝘀𝗰𝗼𝗻𝘁𝗮𝘁𝗶 𝗱𝗲𝗹 𝟰𝟬% 𝘀𝘂𝗹 𝗽𝗿𝗲𝘇𝘇𝗼 𝗱𝗶 𝗰𝗼𝗽𝗲𝗿𝘁𝗶𝗻𝗮. Per beneficiare della promo sconto Christmas Sale, scrivici ad [email protected] o contattaci su Whatsapp al numero di telefono: 379 163 8765. Supporta Red Hot Cyber attraverso:  L'acquisto del fumetto sul Cybersecurity Awareness Ascoltando i nostri Podcast Seguendo RHC su WhatsApp Seguendo RHC su Telegram Scarica gratuitamente “Byte The Silence”, il fumetto sul Cyberbullismo di Red Hot Cyber Se ti piacciono le novità e gli articoli riportati su di Red Hot Cyber, iscriviti immediatamente alla newsletter settimanale per non perdere nessun articolo. La newsletter generalmente viene inviata ai nostri lettori ad inizio settimana, indicativamente di lunedì.

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