© charles taylor, 123RF.com
Im Unterschied zum Training großer Sprachmodelle, die auf riesige Mengen Text zurückgreifen können, der von Menschne erzeugt wurde, fehlt es beim Training von Robotern häufig an genügend Trainingsdaten. Forscher des MIT wollen das ändern.
Das Sammeln der Roboter-Trainingsdaten ist sehr zeit- und kostenintensiv und dabei sind sie meitens auch noch so speziell, dass sie andere Roboter nicht nutzen können oder derselbe Roboter in anderer Umgebung dennoch nicht zurechtkommt. Um Allzweck-Roboter künftig effizienter trainieren zu können, haben Forscher des MIT nun eine Art Roboter-Sprache vorgeschlagen, in der sich Daten aus verschiedenen Bereichen wie aus Simulationen und von realen Robotern sowie aus verschiedenen Modalitäten wie Bildsensoren und Positionsgebern von Roboterarmen zusammenführen lassen, und die dann eine generative KI verarbeiten kann. Damit könnten die Roboter lernen verschiedenste Aufgaben zu bewältigen, ohne immer wieder von vorne beginnen zu müssen.
Diese Methode könnte schneller und kostengünstiger sein als herkömmliche Verfahren, da sie weit weniger aufgabenspezifische Daten erfordert. Darüber hinaus übertraf sie in Simulationen und realen Experimenten das Training von Grund auf um mehr als 20 Prozent.
“In der Robotik wird oft behauptet, dass wir nicht genügend Trainingsdaten haben. Meiner Meinung nach besteht ein weiteres großes Problem darin, dass die Daten aus so vielen verschiedenen Bereichen, Modalitäten und von verschiedener Roboterhardware stammen. Unsere Arbeit zeigt, wie man einen Roboter mit all diesen Daten zusammen trainieren kann”, sagt Lirui Wang, Studentin der Elektrotechnik und Informatik (EECS) und Hauptautorin eines Artikels über diese Technik.
