Google DeepMind sviluppa sistemi avanzati per migliorare la destrezza robotica | Festina Lente - Notizie, recensioni e approfondimenti sull’intelligenza artificiale | Turtles AI

I recenti sviluppi di Google DeepMind riguardano due sistemi di AI, ALOHA Unleashed e DemoStart, che mirano a migliorare le capacità dei robot nel compiere compiti complessi attraverso movimenti precisi e coordinati. Questi progressi riflettono l’impegno nel rendere i robot più abili nella gestione di oggetti in ambienti reali, sfruttando simulazioni e apprendimento dalle dimostrazioni.

Punti chiave:

•  ALOHA Unleashed migliora la manipolazione robotica bi-braccio.
•  DemoStart ottimizza l’apprendimento in simulazione con meno dimostrazioni.
•  La teleoperazione e le simulazioni accelerano l’addestramento robotico.
•  Google DeepMind integra l’apprendimento per rinforzo con approcci basati su dimostrazioni.

La destrezza robotica rappresenta una sfida considerevole nel campo della robotica, nonostante molti dei compiti complessi che gli esseri umani svolgono quotidianamente risultino automatici e quasi istintivi. Attività come allacciare le scarpe o stringere una vite richiedono a un robot settimane di addestramento intensivo per essere eseguite con successo. Google DeepMind ha lavorato per risolvere questo problema sviluppando due sistemi che mirano a migliorare l’agilità dei robot: ALOHA Unleashed e DemoStart.

Il sistema ALOHA Unleashed è progettato per migliorare le capacità dei robot nella manipolazione bi-braccio, un’area in cui la maggior parte dei sistemi robotici attuali risulta limitata. Sebbene la manipolazione di oggetti con un singolo braccio sia già stata ampiamente sviluppata, l’uso coordinato di due braccia robotiche è un passo avanti verso la capacità di eseguire attività più complesse. Google DeepMind ha affermato che, grazie a questo sistema, i suoi robot sono stati in grado di eseguire compiti sofisticati come allacciare le scarpe, appendere una maglietta o persino riparare altri robot. ALOHA Unleashed si basa sull’evoluzione della piattaforma ALOHA 2, che a sua volta trae origine dal progetto open source sviluppato presso la Stanford University per la teleoperazione bimanuale. Questa nuova versione permette ai robot di apprendere con un numero ridotto di dimostrazioni grazie alla teleoperazione delle mani robotiche, consentendo un addestramento più efficiente. Tra le innovazioni del sistema, vi è anche l’uso di una tecnica ispirata ai modelli di diffusione, la quale prevede le azioni del robot partendo da rumore casuale, analogamente al funzionamento dei modelli di AI che generano immagini. Questo approccio, oltre a migliorare l’apprendimento del robot, permette di ridurre la necessità di interazioni fisiche prolungate.

Parallelamente, il sistema DemoStart rappresenta una soluzione avanzata per l’addestramento robotico basato su simulazioni. Una delle maggiori difficoltà nell’insegnare movimenti agili a una mano robotica con più dita è il controllo preciso di ogni articolazione e sensore. DemoStart affronta questa complessità utilizzando un algoritmo di apprendimento per rinforzo in grado di simulare comportamenti complessi che poi possono essere trasferiti nel mondo reale. La particolarità di DemoStart è la sua capacità di apprendere partendo da stati semplici, incrementando progressivamente la complessità man mano che il sistema diventa più competente. Questo approccio permette di ridurre il numero di dimostrazioni necessarie, abbattendo del 100% i tempi di addestramento rispetto ai metodi tradizionali. DemoStart ha mostrato risultati eccellenti nelle simulazioni, raggiungendo un tasso di successo superiore al 98% in compiti come il riorientamento di cubi colorati o il serraggio di dadi e bulloni. Anche nel mondo fisico, il sistema ha dimostrato alte prestazioni, con un tasso di successo del 97% nel sollevamento e riorientamento dei cubi e del 64% in un compito di precisione come l’inserimento di una spina in una presa.

DemoStart è stato sviluppato utilizzando il simulatore di fisica open source MuJuCo, e il suo approccio consente di ridurre il divario tra il mondo simulato e quello reale attraverso tecniche di randomizzazione del dominio. Ciò significa che, una volta addestrati in simulazione, i robot possono applicare quasi immediatamente ciò che hanno appreso nel mondo fisico, con un trasferimento delle conoscenze senza bisogno di ulteriori addestramenti. Uno dei principali vantaggi di questo metodo è la possibilità di ridurre i costi e i tempi di sviluppo, poiché l’addestramento virtuale elimina molte delle difficoltà pratiche connesse agli esperimenti fisici. Tuttavia, la creazione di simulazioni realistiche che si traducano efficacemente nel mondo reale rimane una sfida tecnica non trascurabile.

Per dimostrare le potenzialità del sistema, Google ha testato DemoStart su una mano robotica a tre dita, denominata DEX-EE, sviluppata in collaborazione con Shadow Robot. Sebbene il livello di destrezza umana resti ancora distante, i progressi finora ottenuti rappresentano un notevole passo avanti.

Con questi sviluppi, Google DeepMind continua a esplorare metodi per migliorare l’apprendimento robotico, combinando tecniche di apprendimento per rinforzo e l’uso delle simulazioni, rendendo i robot più abili nel compiere compiti complessi e dinamici.