Kevésbé ismert, de az autóipari óriás Toyota a mesterséges intelligencia és a robotika területét érintő fejlesztések tekintetében is vezető szerepelt tölt be. Ezeknek a területeknek nem csupán a jövő önvezető autóiban (és az autonóm autózás előszobájának tekintett aktív biztonsági és vezetéstámogató rendszerekben) van kiemelt szerepe, hanem a tervezési és gyártási folyamatok optimalizálásában is.
A jövőképében önmagát a világ vezető mobilitási szolgáltatójaként definiáló vállalat innovációs tevékenységét vezető Toyota Research Institute (TRI) olyan technológiát fejlesztett ki, amely forradalmasíthatja a robotok tanulási folyamatát.
Kép: Toyota Research Institute
Az új, mesterségesintelligencia-alapú diffúziós politika lehetővé teszi a robotoknak, hogy egyszerű utasítások alapján tanuljanak meg több mint 60 kézügyességi feladatot anélkül, hogy új kódot írnának neki. A technológia jelentős lépés a robotok számára kifejlesztett „nagy viselkedési modellek” (Large Behavior Models, LBM) felé, ugyanúgy, ahogyan a „nagy nyelvi modellek” (Large Language Models, LLM) nemrégiben forradalmasították a társalgási mesterséges intelligenciát.
Az érintés érzékelése, a tapintás kulcsfontosságú ebben a folyamatban, ez teszi lehetővé a robotok számára az interakció révén történő tanulást. A TRI célja az, hogy a robotoknak 1000 új készséget tanítson meg 2024 végéig.
Így folyik a robot tanítása (Kép: Toyota Research Institute)
Így működik ez a való életben: egy ’tanár’ egy távműködtető rendszer segítségével utasít egy robotot bizonyos cselekvések végrehajtására, lényegében egy kis készségkészlet bemutatásával. Ez jelenti a folyamat kezdetét. Ezután a mesterséges intelligencián alapuló diffúziós politika több órán át szívja magába az információkat, és a háttérben finomítja a robot képességeit. A robot tanítása jellemzően délután történik, a tanulási folyamat pedig egy éjszaka alatt. Amikor a csapat reggel visszatér, a robot képes végrehajtani az éjszaka során megtanult új viselkedési formákat.
„Ebben az új megközelítésben az a gyorsaság és megbízhatóság a legizgalmasabb, amellyel új készségeket tudunk hozzáadni. Mivel ezek a készségek közvetlenül a kameraképek és a tapintásérzékelés alapján, kizárólag tanult reprezentációkat használva működnek, még olyan feladatokban is képesek jól teljesíteni a robotok, amelyek deformálható tárgyakat, ruhát és folyadékot tartalmaznak – ezek mindegyike hagyományosan rendkívül nehéz feladatot jelentettek a robotok számára”– árulja el Russ Tedrake, a TRI robotikai kutatásért felelős alelnöke.
