Un team di ricercatori ha sviluppato un sistema che permette ai robot di imparare a svolgere un compito soltanto osservando poche dimostrazioni e anche se imperfette. Sino ad ora erano necessarie almeno 100 dimostrazioni, ora invece ai robot ne basteranno solo poche per imparare.
In questo modo i robot potrebbero essere facilmente addestrati da chiunque per svolgere faccende domestiche o piccoli compiti sul luogo di lavoro. Potrebbero persino guidare un’auto in tutta sicurezza, soltanto osservando per qualche volta un guidatore esperto.
Insegnare ai robot a discriminare tra giusto e sbagliato
Questo sistema, che permette ai robot di apprendere autonomamente compiti complicati osservando un numero molto ridotto di dimostrazioni, anche imperfette, è stato sviluppato dai ricercatori dell’USC. Il sistema funziona valutando la qualità di ogni dimostrazione, quindi il robot impara dai successi e dagli errori che osserva. Il tutto in pochissime osservazioni.
Con questo metodo inoltre, i robot possono imparare in modo più intuitivo, in maniera molto simili a come gli esseri umani apprendono l’uno dall’altro. Spesso ci basta osservare qualcuno svolgere un compito per poi farlo noi stessi. Anche se la dimostrazione è imperfetta, gli esseri umani acquisiscono comunque conoscenza dall’osservazione reciproca.
L’autore principale Aniruddh Puranic, studente in informatica presso la USC Viterbi School of Engineering, ritiene che “molti sistemi di apprendimento automatico e apprendimento per rinforzo richiedono grandi quantità di dati e centinaia di dimostrazioni: è necessario un essere umano per dimostrare più e più volte, il che non è fattibile. Inoltre, la maggior parte delle persone non ha conoscenze di programmazione per affermare esplicitamente ciò che il robot deve fare e un essere umano non può dimostrare tutto ciò che un robot deve sapere.”
Un nuovo metodo di apprendimento tramite dimostrazioni
Insegnare compiti ai robot tramite dimostrazioni è una strategia ormai sempre più popolare, ma le attuali tecnologie sono suscettibili alle imperfezioni nelle dimostrazioni e sollevano anche problemi di sicurezza poiché i robot possono apprendere azioni non sicure o indesiderabili.
Per questo motivo i ricercatori hanno sviluppato questa nuova metodologia, integrando la “logica temporale del segnale” o STL per valutare la qualità delle dimostrazioni e classificarle automaticamente per creare ricompense intrinseche. In poche parole, anche se alcune parti delle dimostrazioni non hanno alcun senso in base ai requisiti logici, utilizzando questo metodo, il robot può comunque imparare dalle parti imperfette. Il sistema quindi giunge alla propria conclusione sull’accuratezza o il successo di una dimostrazione.
Come ha affermato il coautore Stefanos Nikolaidis, assistente professore di informatica dell’USC Viterbi, “questo lavoro utilizza un ragionamento di buon senso sotto forma di logica per capire quali parti della dimostrazione sono buone e quali no. In sostanza, questo è esattamente ciò che fanno anche gli umani”.
La logica temporale nel linguaggio dei robot
La logica temporale del segnale è un linguaggio simbolico matematico espressivo che consente il ragionamento robotico sui risultati attuali e futuri. Fino ad ora per questo tipo di apprendimento si è utilizzato un sistema basato sulla “logica temporale lineare”.
Ma secodno Jyo Deshmukh, un ex ingegnere Toyota e assistente professore di informatica dell’USC Viterbi in questo caso sarebbe preferibile l’STL: “quando entriamo nel mondo dei sistemi cyber fisici, come i robot e le auto a guida autonoma, dove il tempo è cruciale, la logica temporale lineare diventa un po’ macchinosa, perché ragiona su sequenze di valori vero/falso per le variabili, mentre STL consente il ragionamento sui segnali fisici.”
Questo nuovo modello di apprendimento è stato testato su dei simulatori di gioco tipo Minecraft, ma i ricercatori ritengono possibile che il sistema apprenda dai simulatori di guida e alla fine anche dai video.
Il prossimo passo saranno i test su dei veri robot. In futuro potranno essere quindi utilizzati per robot in ambienti domestici, magazzini o persino rover di esplorazione spaziale.
Foto di Pete Linforth da Pixabay
