Feagine представила ИИ-модель, которая учится работать с разными роботами

Одновременно Feagine представила три мягких манипулятора с тросовым приводом — A01, A02 и A03. Они отличаются количеством сегментов, длиной и числом степеней свободы и позволяют разработчикам проверять, насколько один ИИ способен переносить приобретенные навыки между разными роботизированными платформами. Сама компания позиционирует это направление как основу для embodied intelligence — воплощенного искусственного интеллекта.

Почему роботу недостаточно просто знать задачу

Для человека задача «взять предмет и перенести его в другое место» кажется простой. Для робота все гораздо сложнее: способ выполнения зависит от длины руки, количества суставов, диапазона движения и физических ограничений конструкции.

У Feagine эти различия специально заложены в аппаратную платформу. A01 имеет один гибкий сегмент и две степени свободы, весит около 750 г и рассчитан на нагрузку до 200 г. A02 получил два сегмента, четыре степени свободы и грузоподъемность до 400 г. A03 оснащен тремя сегментами и более сложной системой управления, а его конструкция рассчитана на более высокие нагрузки. Официальные материалы Feagine позиционируют A01 как легкий манипулятор для мобильных платформ, A02 — как настольную исследовательскую систему, а A03 — как профессиональную платформу для исследований.

Fi0 должна учитывать не только поставленную задачу, но и физические возможности конкретного робота. Иными словами, модель должна понимать разницу между тем, что может сделать длинный трехсекционный манипулятор, и тем, что доступно более компактной конструкции.

Одна демонстрация вместо полноценного переобучения

Feagine заявляет, что Fi0 способна использовать человеческую демонстрацию в качестве контекста при выполнении новой задачи. Если робот ранее не сталкивался с определенным действием, человек может показать требуемый результат, после чего модель пытается определить общую структуру задачи и адаптировать ее под конкретное роботизированное тело.

Важна именно эта разница. ИИ не должен буквально копировать траекторию человеческой руки. Вместо этого он должен определить, какие объекты участвуют в задаче, в какой последовательности происходят действия, какие контакты имеют значение и каким должен быть конечный результат.

Такой подход соответствует более широкому направлению современной робототехники. Исследование, опубликованное в Proceedings of Machine Learning Research, показало, что одна модель, обученная на данных 20 различных роботизированных платформ, способна управлять существенно разными машинами, включая манипуляторы, колесные роботы, квадрокоптеры и четвероногие платформы.

Другая работа исследователей в области робототехники показала, что увеличение количества различных роботизированных конструкций в обучающих данных может улучшать способность модели переносить навыки на ранее неизвестные платформы. При этом сами авторы подчеркивают, что широкая генерализация на новые конструкции остается сложной задачей.

Мягкие роботы дают ИИ более сложную задачу

Feagine выбрала для экспериментов не классические промышленные манипуляторы с жесткими суставами, а мягкие системы с тросовым приводом. Это принципиально важно: такая конструкция может непрерывно изгибаться и менять форму, поэтому ее поведение сложнее описать набором фиксированных углов суставов.

Именно здесь появляется дополнительное преимущество концепции Fi0. ИИ должен учитывать морфологию робота, его сенсоры, исполнительные механизмы и текущее состояние. Компания называет представление физической структуры робота Embodiment Graph.

Сама Feagine описывает свою платформу как попытку создать общий слой данных и интеллекта для следующего поколения роботов. Компания делает ставку на мягкие конструкции, которые могут безопаснее взаимодействовать с людьми и одновременно предоставлять разнообразные данные для обучения моделей.

При этом мягкие манипуляторы интересны не только как экспериментальная платформа. Их способность изгибаться и подстраиваться под окружающие объекты может оказаться полезной там, где жесткая промышленная рука слишком ограничена: при работе с хрупкими предметами, в тесном пространстве или при непосредственном взаимодействии с человеком.

Почему универсальному роботу не обязательно быть гуманоидом

В последние годы именно гуманоидные роботы стали одним из главных направлений развития embodied AI. Их преимущество очевидно: человеческие здания, инструменты и рабочие места уже рассчитаны на нашу анатомию.

Но универсальность искусственного интеллекта не обязательно требует универсального тела. Один робот может быть оптимизирован для производства, другой — для работы в ограниченном пространстве, третий — для взаимодействия с человеком, а четвертый — для опасной среды.

Именно такой подход предлагает Feagine: не создавать одну машину, способную делать абсолютно все, а попытаться сделать один интеллектуальный слой достаточно гибким для управления множеством специализированных платформ.

Пока Fi0 остается ранним проектом, и заявления компании еще предстоит проверить на большем количестве роботов, задач и реальных условий эксплуатации. Более того, недавние исследования показывают, что перенос навыков на незнакомые роботизированные конструкции по-прежнему имеет серьезные ограничения и требует учета физических свойств конкретной машины.

Тем не менее направление выглядит перспективным. Если подобные модели действительно смогут переносить знания между разными роботами без полноценного переобучения каждого нового устройства, производителям станет проще создавать специализированные машины, не разрабатывая для каждой из них отдельный ИИ.

Для Украины эта технология пока остается скорее исследовательским трендом, чем близким массовым продуктом. Однако такой подход потенциально важен для автоматизации производства, складской логистики, лабораторий и других сфер, где стоимость разработки отдельной системы управления для каждого типа робота становится серьезным ограничением. В перспективе именно переносимый ИИ может оказаться важнее попыток создать одну конструкцию, которая будет одинаково хорошо выполнять все задачи.