O MIT apresentou esta semana um novo modelo para treinar robôs, projetado para resolver o problema da falha do aprendizado por imitação quando confrontado com pequenos desafios. Os pesquisadores apontam que o aprendizado por imitação pode falhar em situações como mudanças de iluminação, ambientes diferentes ou novos obstáculos, simplesmente porque os robôs não possuem dados suficientes para se adaptar.
A equipe buscou modelos como o GPT-4 para encontrar um método de dados robusto para resolver o problema. Eles introduziram uma nova arquitetura chamada Transformador de Pré-treinamento Heterogêneo (HPT), que reúne informações de diferentes sensores e ambientes. Um transformador então resume esses dados para treinar o modelo. Quanto maior o transformador, melhor a saída.
Os usuários podem inserir o design, a configuração e as tarefas desejadas para o robô, e então treinar o robô usando o novo modelo. Os pesquisadores afirmam que este método pode levar a avanços nas estratégias de robótica, assim como os grandes modelos de linguagem.
Parte desta pesquisa foi financiada pelo Toyota Research Institute. No ano passado, o Toyota Research Institute apresentou pela primeira vez no TechCrunch Disrupt um método para treinar robôs durante a noite. Recentemente, a empresa estabeleceu uma parceria histórica que combinará sua pesquisa em aprendizado de robótica com o hardware da Boston Dynamics.
David Held, professor associado da Carnegie Mellon University, disse: "Nosso sonho é ter um cérebro robótico universal que você possa baixar e usar sem nenhum treinamento. Embora estejamos em estágios iniciais, continuaremos a trabalhar, esperando que a escala traga avanços nas estratégias de robótica, assim como os grandes modelos de linguagem."