WUWENAI rakentaa roboteille virtuaalisen harjoittelukehän

Pullonkaula ei ole pelkkä videomäärä

WUWENAI:n perusajatus on, ettei ruumiillinen eli fyysisessä maailmassa toimiva tekoäly skaalaudu pelkillä ihmisten tekemillä demonstraatioilla. Yhtiön ehdottamassa Real-to-Sim-to-Real-silmukassa todelliset robottivuorovaikutukset ankkuroidaan generatiiviseen maailmamalliin. Malli muuttaa kokemukset hallittavaksi simulaattoriksi, jossa voidaan luoda ja testata vaihtoehtoisia tapahtumakulkuja. Epäonnistumiset ja vaikeat reunatapaukset palautetaan tämän jälkeen fyysiseen datankeruuseen.

Näin datan tuotanto, politiikkojen koulutus, arviointi ja jatkuva parantaminen muodostavat yhden järjestelmän. WUWENAI kertoo perustajansa ja toimitusjohtajansa Liu Shengxiangin johtaneen aiemmin Baidun autonomisen ajamisen data- ja testitoimintoja. 8

Kolme kerrosta muodostavat suljetun kehän

1. Data Factory tuo todellisuuden mukaan

Yhtiön Data Factoryssa monimodaaliset keruulaitteistot tallentavat samanaikaisesti robotin ja kohteiden välisiä vuorovaikutuksia: näkymää, liikettä, kosketusta ja tehtävän lopputulosta. Tavoitteena on säilyttää fyysinen syy-seuraussuhde, joka tavallisista verkkovideoista ja täysin synteettisistä kohtauksista puuttuu.

Tällainen data on tarkoitettu robottien ohjauksen opettamiseen, ei vain visuaalisesti realististen kuvien tuottamiseen. WUWENAI on lisäksi julkistanut Zhejiangissa Wuyin-fyysisen tekoälyn data-alustan ja ilmoittanut sen sisältävän yli 1 000 teratavua dataa sekä 10 000 tuntia avointa korkealaatuista aineistoa. 12

2. Generatiivinen maailmamalli monistaa kokemusta

Maailmamalli oppii, miten ympäristö muuttuu, kun ruumiillinen tekoälyagentti toimii siinä. Todelliseen dataan perustuen se voi tuottaa erilaisia tehtäväversioita, liikeratoja, häiriöitä, esinejärjestyksiä ja epäonnistumistilanteita.

Maailmamallin tehtävänä on kuvata ympäristö ja sen ajallinen kehitys tiiviissä opitussa esitysmuodossa. 5 Käytännössä tämä tarkoittaa, että pieni määrä fyysisiä esimerkkejä voi toimia lähtökohtana paljon suuremmalle joukolle hallittavia harjoitustilanteita.

3. World Simulator kouluttaa ja etsii heikot kohdat

Robotin politiikka – eli päätöksentekomalli, joka valitsee seuraavan toiminnon – voidaan ajaa simulaatiossa huomattavasti nopeammin ja edullisemmin kuin oikealla laitteistolla. Simulaattori voi pisteyttää tuloksia, paljastaa mallin heikkouksia ja valita ne tapaukset, jotka kannattaa kerätä uudelleen fyysisessä ympäristössä.

Interaktiivisia ja toimintoihin ehdollistettuja simulaattoreita koskevassa tutkimuksessa on raportoitu, että simulaatiossa tehdyt politiikkojen arvioinnit voivat korreloida todellisen maailman suorituskyvyn kanssa. Kyseessä on kuitenkin yhä aktiivinen tutkimusalue, ei ratkaistu teknologia. 3

Mistä “miljoonat tunnit” voisivat syntyä?

Liu Shengxiangin väite ei tarkoita, että WUWENAI kuvaisi fyysisesti miljoonia robotin käyttötunteja. Ajatus on, että suhteellisen pieni mutta fyysisesti perusteltu vuorovaikutusaineisto toimisi siemenkorpuksena. Sen pohjalta malli tuottaisi suuren määrän ohjattavia harjoitusratoja.

Fyysinen kierros korjaa jatkuvasti simulaattorin virheitä ja rajoittaa mallin ajautumista kauemmas todellisuudesta. Virtuaalinen kierros puolestaan tarjoaa mittakaavan. Tällainen todellisen ja synteettisen datan palautesilmukka vastaa kehittyvää tutkimussuuntaa, jossa vahvistusoppimista opetetaan suljetussa yhteydessä oikeiden robottien kanssa. 4

Miksi perinteiset vaihtoehdot eivät yksin riitä?

• Teleoperointi tuottaa toiminnoilla merkittyjä demonstraatioita, mutta se on kallista, hidasta ja riippuvaista operaattorista. Lisäksi aineisto painottuu helposti onnistuneisiin suorituksiin eikä harvinaisiin virheisiin tai vaihtoehtoisiin toimintatapoihin.
• Ihmisen näkökulmasta kuvattu video tarjoaa mittakaavaa, mutta siitä puuttuvat yleensä robotin omat toiminnot, kalibroitu geometria, voima- ja kosketustieto sekä suora vastaavuus robotin kehoon. Siksi se antaa vain rajallisesti ohjausoppimiseen tarvittavaa valvontaa.
• Puhdas simulaatio on halpa ja monipuolinen, mutta sen geometria, kosketusdynamiikka, anturien kohina, esineiden käyttäytyminen tai ihmisten ympäristöt voivat olla vääriä. Tätä simulaation ja todellisuuden välistä eroa eli sim-to-real-kuilua pyritään pienentämään sovittamalla digitaalinen kaksonen jatkuvasti todellisiin havaintoihin. 2

Jäljittelystä vahvistusoppimiseen

Demonstraatiot käynnistävät jäljittelyoppimisen: robotille opetetaan käytännössä, että sen tulee toimia kuten demonstraation antaja. Luotettava, toimintoihin ehdollistettu simulaattori antaa politiikalle mahdollisuuden kokeilla myös vaihtoehtoja, saada tehtävän onnistumiseen perustuvia palkkioita, optimoida pidempiä toimintaketjuja ja opetella palautumista virheistä.

Tämä avaa tien vahvistusoppimiseen. Maailmamalliin perustuvaa vahvistusoppimista on jo käytetty näkö–kieli–toiminto-politiikkojen hienosäätöön, mutta palkkioiden luotettavuus ja maailmamallin uskollisuus ovat edelleen ratkaisevia rajoitteita. 1

Kilpailu ei ole vain ominaisuuksista

Alan kilpailu näyttää lähestyvän samaa perusrakennetta, ei niinkään yksittäistä ominaisuuskilpailua. World Labsin SceniX kuvaa niin ikään R2S2R-moottoria, joka muuntaa yhden fyysisen tehtävän useiksi hallittaviksi ja uudelleenkäytettäviksi simuloiduiksi maailmoiksi politiikkojen koulutusta ja testausta varten. 7

Google DeepMindin maailmamallitutkimus on jo pitkään yhdistänyt opitut dynamiikkamallit skaalautuvaan vahvistusoppimiseen. 3 Teslan Optimuksella on puolestaan vahvoja etuja laitteiston kehityksessä, valmistuksessa sekä laajemmassa data- ja laskentaekosysteemissä. Julkisesti saatavilla oleva näyttö ei kuitenkaan riitä osoittamaan, että WUWENAI olisi teknisesti Teslaa tai DeepMindiä edellä.

Kiinan mittakaava tarjoaa mahdollisen kasvualustan

Kiinalla on maailman suurin asennettu teollisuusrobottikanta, ja maa laajentaa toimintaansa humanoidirobotteihin samalla kun se kotouttaa osia robotiikan toimitusketjusta. 6 Virallisissa kommenteissa ruumiillisen tekoälyn on kuvattu siirtyvän pienistä kokeiluista kohti laajempaa käyttöönottoa. 9

Tämä tarjoaa mahdollisesti suuren kotimaisen perustan tehtaille, roboteille, tehtävätyypeille ja käyttöympäristöille. Datan infrastruktuuriin keskittyvä yhtiö voisi kerätä niiden avulla fyysiseen todellisuuteen ankkuroivaa aineistoa ja tarjota yhteisiä työkaluja useille robottivalmistajille.

Suurin kysymys on siirrettävyys

WUWENAI:n väitteet “maailmanluokan” asemasta tai kuukausien etumatkasta ovat yhtiön ja sitä käsittelevän median esittämiä arvioita, eivät riippumattomasti vahvistettuja vertailutuloksia. Todellinen testi on paljon arkisempi: ennustaako simulaattori kontaktirikkaiden ja pitkien tehtävien lopputulokset riittävän tarkasti?

Jos simulaattorissa koulutettu politiikka siirtyy johdonmukaisesti erilaisiin oikeisiin robotteihin, esineisiin ja ympäristöihin, Real-to-Sim-to-Real voi todella pienentää fyysisen datankeruun kustannuksia ja nopeuttaa oppimista. Muussa tapauksessa virtuaalinen mittakaava voi vain monistaa virheitä.