Con il passare degli anni, la performace degli strumenti di intelligenza artificiale (IA), inclusi i modelli computazionali di grandi dimensioni per l'elaborazione del linguaggio naturale (NLP) e gli algoritmi di visione artificiale, ha registrato miglioramenti significativi. Un contributo importante a questo accrescimento proviene dal notevole incremento delle basi di dati adottate per addestrare tali algoritmi, spesso ricavate da enormi raccolte di immagini e testi disponibili su internet.
Al contrario, i dati di formazione per algoritmi di controllo e pianificazione robotica sono decisamente meno abbondanti, in parte a causa delle difficoltà nella loro acquisizione. Per affrontare questa problematica, alcuni scienziati informatici si sono dedicati alla creazione di set di dati e piattaforme più ampie per addestrare modelli computazionali in una varietà di applicazioni robotiche. Un recente documento, anticipato sul server arXiv e che sarà presentato alla conferenza Robotics: Science and Systems 2024, illustra un lavoro svolto in questa direzione dai ricercatori dell’Università di Texas ad Austin e NVIDIA Research.
Il risultato di questo sforzo è RoboCasa, una piattaforma di simulazione su larga scala che permette di formare robot generalisti per svolgere vari compiti in ambienti quotidiani.
“L’incremento nelle prestazioni dell’IA negli ultimi anni è stato largamente favorito dall'addestramento di modelli su vasti database”, ha dichiarato Yuke Zhu, il principale autore dello studio. "In questo panorama, RRoboCasa è progettato per fornire i dati simulati di alta qualità necessari all'addestramento di modelli robotici di base."
RoboCasa rappresenta un’estensione di RoboSuite, un'altra piattaforma di simulazione introdotta precedentemente dallo stesso team. Quest'ultima funge da infrastruttura simulativa che ha permesso la creazione degli ambienti noti in RoboCasa. “Abbiamo sfruttato strumenti di IA generativa per realizzare un ampio assortimento di oggetti, scene e compiti”, ha spiegato Zhu. La piattaforma supporta diverse piattaforme hardware per robot e offre un vasto insieme di dati che comprende oltre 100.000 traiettorie per l'addestramento dei modelli.
RoboCasa presenta migliaia di scene 3D con più di 150 tipi di oggetti di uso quotidiano e decine tra mobili ed elettrodomestici, tutto fortificato dall’uso di strumenti di IA generativa per incrementare la diversità e il realismo delle simulazioni.
Yuke Zhu e suoi colleghi hanno creato 100 compiti sui quali possono essere addestrati gli algoritmi di robotica, accompagnati da dimostrazioni umane di alta qualità. La piattaforma introduce anche metodologie per generare traiettorie e movimenti efficaci, essenziali per permettere ai robot di completare questi compiti.
Le sperimentazioni iniziali hanno dimostrato che RoboCasa è una risorsa preziosa per creare dati di addestramento sintetici utili all’allenamento degli algoritmi di apprendimento per imitazione. In futuro, altri gruppi di ricerca potranno sperimentare con RoboCasa, accessibile in formato open-source su GitHub. Intanto, il team di Zhu prevede di continuare l’ampliamento e il miglioramento della piattaforma, favorendo così la sua diffusione all'interno della comunità robotica.
“Vogliamo implementare metodologie di IA generativa più avanzate per ampliare ulteriormente le nostre simulazioni", ha aggiunto Zhu. "Inoltre, stiamo sviluppando migliori algoritmi per utilizzare i dati simulativi nella costruzione di sistemi robotici più robusti e generalizzabili nel mondo reale.”
Maggiori informazioni su questo avanzamento sono disponibili nel documento di Soroush Nasiriany e colleghi, intitolato "RoboCasa: Large-Scale Simulation of Everyday Tasks for Generalist Robots", pubblicato su arXiv nel 2024.
