El MIT presentó esta semana un nuevo modelo para entrenar robots, diseñado para solucionar el problema de que el aprendizaje por imitación puede fallar cuando se introducen pequeños desafíos. Los investigadores señalan que el aprendizaje por imitación puede fallar en situaciones con diferentes iluminaciones, entornos o nuevos obstáculos, simplemente porque el robot no dispone de datos suficientes para adaptarse.
El equipo buscó un método de datos robustos, similar a los modelos como GPT-4, para resolver este problema. Introdujeron una nueva arquitectura llamada Transformador de Preentrenamiento Heterogéneo (HPT), que recopila información de diferentes sensores y entornos. Luego, un transformador resume estos datos para entrenar el modelo. Cuanto más grande sea el transformador, mejor será el resultado.
Los usuarios pueden introducir el diseño y la configuración del robot, así como las tareas que desean que realice, y luego entrenar al robot utilizando el nuevo modelo. Los investigadores afirman que este método puede lograr avances en las estrategias robóticas, al igual que los grandes modelos de lenguaje.
Parte de esta investigación fue financiada por el Toyota Research Institute. El año pasado, el Toyota Research Institute presentó por primera vez en TechCrunch Disrupt un método para entrenar robots durante la noche. Recientemente, la compañía firmó una asociación histórica que combinará su investigación en aprendizaje robótico con el hardware de Boston Dynamics.
David Held, profesor asociado de la Universidad Carnegie Mellon, comenta: "Nuestro sueño es tener un cerebro robótico universal que puedas descargar y usar sin necesidad de entrenamiento. Aunque todavía estamos en una etapa temprana, continuaremos trabajando con la esperanza de que la escalabilidad traiga avances en las estrategias robóticas, al igual que los grandes modelos de lenguaje."