
AI模型推动机器人技术变革,Goldberg提出“智能体机器人”新方法
来源标题:Recent advances in AI are creating a 'paradigm shift' for robotics
UC Berkeley教授Ken Goldberg提出“agentic robotics”(智能体机器人)新方法,让AI智能体团队开发、测试并修订机器人控制程序,从而绕过训练数据需求量大和编程工程投入高两大障碍。他表示这是机器人控制方式的根本性转变,并称新AI模型带来的机器人创新让他“起鸡皮疙瘩”。
以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
一直以来,Ken Goldberg 都对机器人能力提升的速度心存疑虑。但新的 AI 模型正在催生令他有“起鸡皮疙瘩”般震撼感受的机器人创新。
近几个月来,能够推理、规划并使用外部工具完成多步骤任务的人工智能 agent 已经重塑了计算机编程、在线购物、餐厅预订和网络攻击等领域。
加州大学伯克利分校机器人学家、工程学教授 Ken Goldberg 表示,新模型使 AI agent 团队能够开发机器人控制程序、在模拟环境中测试这些程序,并在出现问题时修改代码。
Goldberg 与 NVIDIA 机器人工程总监 Spencer Huang 以及一个研究团队将这种新方法称为“agentic robotics”(智能体机器人)。他们表示,这或许能绕过该领域的两个障碍:训练机器人所需的海量数据,以及为机器人编程所需的大量工程投入——这两者都需要耗费大量的物力和技术资源才能完成。
“Agentic robotics 是机器人控制方式的根本性转变,”Goldberg 说。“团队中的各个 agent 无需收集海量数据并手工调整每一种行为,而是可以快速生成、测试和完善机器人程序,让人类工程师能够理解程序的工作方式,从而进行微调和验证。”
Goldberg 最近入选美国国家工程院,本周他在 Conference on Robot Learning 上介绍了这种新方法以及数月测试的结果。他和团队还发布了开源代码供其他机器人研究人员实验使用,该代码基于 NVIDIA 面向开发者的 Isaac 开放仿真框架构建,同时他们还发布了一个行业标准基准,用于评估机器人 across 工业任务的性能。
Goldberg 和 Huang 表示,目标是让机器人编程更快、更具适应性,同时保留可靠工业系统所需的结构。
“机器人技术正在快速发展,但为真实环境开发机器人仍然缓慢、数据密集且难以规模化,”Huang 说。“NVIDIA 与加州大学伯克利分校合作,正在帮助推进一种新方法,将 agentic AI、仿真和以工业任务为重点的开放基准相结合,帮助开发者在部署前快速测试和改进机器人行为。”
传统上,工程师可以直接编写软件来告诉机器人如何感知物体、规划运动并控制其动作,这种方法称为基于模型的机器人技术。或者,在无模型机器人技术中,他们可以通过模仿学习让机器人从演示中学习行为。第一种方法需要大量工程工作,而第二种方法需要海量数据和时间。
Agentic robotics 是机器人控制方式的根本性转变。
问题在于,没有简单的方法来收集足够多的信息用于训练机器人。去年,为了重置公众的预期,Goldberg 曾表示,“10 万年的数据缺口”将阻碍机器人像 AI agent 在过去几年中获得语言流畅性那样快速地获得真实世界技能。毕竟,那些 AI agent 是在海量的互联网文本和图像数据上训练的,而机器人领域没有与之相当的数据。
“我曾因需要收集的数据量之大而感到沮丧,”Goldberg 说。“Agentic robotics 提供了基于模型和无模型方法之间缺失的一环。这是一条无需任何额外数据的前进之路。”
今年早些时候,他和团队开始尝试改变机器人代码的组织方式。使用他们称为 Graph-as-Policy 的框架,机器人任务被分割为单独的技能,例如找到物体、规划抓取以及在不发生碰撞的情况下移动夹爪。Goldberg 将其比作一个个积木块,组合在一起构成更大的整体。
然后,AI agent 生成这些技能并将它们连接成一个机器人程序。使用 NVIDIA 的 Isaac 仿真库,agent 在任务变体中自主演练程序,识别失败发生的位置,并在部署前改进方法。
Goldberg 说,OpenAI 最近发布的 Astra 模型让这一过程更加前景广阔。他的博士后学生 Eric Kaiyuan Chen 和 Shuangyu Xie 让 Astra 访问了他们的仿真接口和一段真实机器人的短视频,该机器人的任务是使用海绵擦除金属条上的墨水。在不到一小时的时间里,该 AI 工具创建并微调了一个物理仿真,准确再现了视频内容,包括非常逼真的海绵变形。
然后,研究人员将该仿真和他们的 Graph-as-Policy 框架交给了 AI。AI 生成了一个机器人控制程序,并在仿真中反复测试和改进。当研究人员在真实机器人上运行生成的代码时,它成功了。
Goldberg 说,在一次试验中,机器人推倒了金属条,因为它未能可靠地推断出其质量。这一失误为 agent 提供了新的证据供其审视,并展示了 agentic robotics 的优势:AI 可以利用失败尝试的视频来改进其仿真、修改机器人的控制程序并测试新方法。
“这就是我起鸡皮疙瘩的时刻,”Goldberg 说。
总部位于伯克利的 Ambi Robotics 专注于物流和仓库订单履行,今年早些时候应用这些新方法来分析包裹分拣数据并测试机器人行为的更新。测试显示,每台机器人每年分拣能力增加超过 15,000 个包裹;这一改进现已部署到该公司美国车队的 30%。
“AI 驱动的工业机器人必须持续提升可靠性和性能,”Ambi Robotics 联合创始人兼首席技术官 Jeff Mahler 说。“Agentic robotics 将生产数据转化为机器人行为更新,提高了我们美国车队的吞吐量,同时让工程师保持控制权。”
(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。