BrainBody-LLM zwiększa możliwości robotów

fot. pixabay

Naukowcy z NYU Tandon School of Engineering przedstawili nowy algorytm o nazwie BrainBody-LLM, który wykorzystuje modele LLM do planowania i udoskonalania czynności wykonywanych przez roboty.

Nowy algorytm, zaprezentowany w artykule opublikowanym w czasopiśmie Advanced Robotics Research, czerpie inspirację ze sposobu, w jaki ludzki mózg planuje działania, jednocześnie precyzyjnie dostrajając ruchy ciała.

- Modele LLM wykazały się dogłębnym zrozumieniem interakcji międzyludzkich w rzeczywistych środowiskach - powiedział Vineet Bhat, współautor artykułu - W naszej pracy dążymy do oceny ich możliwości w kontekście robotyki, przyznając LLM częściowy dostęp do ustalonego zestawu poleceń sterujących robotem. Aby zapewnić bezpieczne wdrożenie i testy w kontrolowanym środowisku, dostęp ten został celowo ograniczony.

Nowy algorytm opracowany przez Bhata i jego współpracowników naśladuje sposób, w jaki ludzki mózg i ciało komunikują się ze sobą podczas planowania i wykonywania określonych ruchów. Algorytm składa się z dwóch głównych komponentów, zwanych Brain LLM i Body LLM. Brain LLM planuje zadania wysokiego poziomu, dzieląc je na prostsze i łatwiejsze do opanowania kroki. Body LLM z kolei generuje polecenia sterujące podczas realizacji każdego z nich, umożliwiając wykonywanie pożądanych działań i ruchów.

- Mechanizm sprzężenia zwrotnego umożliwia ciągłe monitorowanie reakcji środowiska i sygnałów błędów, które są przekazywane do systemu w celu automatycznej korekty - wyjaśnił Bhat - Główną zaletą BrainBody-LLM jest oparta o tę zasadę architektura, co ułatwia dynamiczną interakcję między komponentami LLM i umożliwia sprawne wykonywanie złożonych i wymagających zadań.

Naukowcy przetestowali zaproponowany model zarówno podczas symulacji, jak i w warunkach rzeczywistych. Symulację przeprowadzono na platformie VirtualHome, natomiast fizyczny test zrealizowano z użyciem robota Franka Research 3.

Odkrycia zespołu są bardzo obiecujące, ponieważ ich model poprawił tempo wykonywania zadań przez roboty o 17% w porównaniu z innymi nowoczesnymi LLM. BrainBody-LLM pozwolił manipulatorowi wykonać większość zaproponowanych zadań, osiągając średni wskaźnik powodzenia na poziomie 84%.

W przyszłości będzie mógł zostać udoskonalony, zastosowany w innych robotach i przetestowany w szerszym zakresie aplikacji. Jednocześnie wyniki prac badaczy mogą zainspirować inne zespoły do opracowania podobnych realizacji

(rr)