Modelos de comportamento pré-treinados aceleram robôs inteligentes
São Paulo — InkDesign News — O Toyota Research Institute (TRI) divulgou esta semana resultados de um estudo sobre Modelos de Comportamento de Grande Escala (LBMs) aplicados a robôs de propósito geral. A pesquisa mostra que um único LBM pode aprender centenas de tarefas com 80% menos dados de treinamento.
Tecnologia aplicada
Os LBMs são modelos pré-treinados em grandes e diversos conjuntos de dados de manipulação. O sistema utiliza políticas de difusão multitarefa, encoders de linguagem-visual multimodal e um cabeçote de desnoising em transformadores. Os robôs consomem dados de câmeras de cena e de pulso, além de prompts de linguagem, prevendo ações em intervalos de 1,6 segundos.
Desenvolvimento e testes
O TRI treinou diversos LBMs em quase 1.700 horas de dados de robôs e realizou 1.800 avaliações no mundo real e mais de 47.000 simulações. As métricas de desempenho indicaram melhorias consistentes em relação a políticas desenvolvidas do zero, com a capacidade de aprender novas tarefas com dados reduzidos em cenários desafiadores. “Desempenho consistente melhorou com dados adicionais”, afirma a equipe de pesquisa.
(“Finetuned performance smoothly improves with increasing pretraining data.”)— Equipe de Pesquisa, TRI
Impacto e aplicações
A implementação dos LBMs promete um futuro onde robôs domésticos poderão auxiliar em tarefas diárias. O impacto operacional é significativo, com melhorias contínuas à medida que a coleta de dados avança. TRI observa que “o pré-treinamento fornece incrementos consistentes de desempenho em escalas menores que o esperado”.
(“Pretraining provides consistent performance uplifts at earlier than expected scales.”)— Equipe de Pesquisa, TRI
O avanço em LBMs pode permitir que robôs realizem tarefas complexas com maior eficiência. Contudo, a pesquisa alerta para a importância de escolhas de design sutis, como a normalização de dados, que podem impactar drasticamente o desempenho.
A continuidade de estudos é prevista para aperfeiçoar as capacidades dos modelos em situações reais e simulações.
Fonte: (The Robot Report – Robótica & Automação)
