Ảnh: news.mit.edu

Hãy tưởng tượng, khi bạn muốn mang một chiếc hộp lớn và nặng lên cầu thang, bạn sẽ dang rộng các ngón tay và nhấc chiếc hộp đó bằng cả hai tay, sau đó giữ nó trên cẳng tay và giữ thăng bằng trước ngực, dùng toàn bộ cơ thể để điều khiển chiếc hộp.

Nhìn chung, con người rất giỏi trong việc thao tác bằng toàn bộ cơ thể, nhưng robot lại gặp khó khăn với những nhiệm vụ như vậy. Đối với robot, mỗi điểm mà chiếc hộp có thể chạm vào ở ngón tay, cánh tay và thân mình của người mang sẽ đại diện cho một khả năng tiếp xúc mà nó phải lý giải. Với hàng tỷ khả năng có thể xảy ra, việc lên kế hoạch cho những nhiệm vụ như vậy trở nên vô cùng khó khăn.

Mới đây, các nhà nghiên cứu ở Viện Công nghệ Massachusetts – MIT (Mỹ) đã tìm ra một cách để đơn giản hóa quá trình lập kế hoạch cho việc thao tác với nhiều điểm tiếp xúc. Họ sử dụng một kỹ thuật AI có tên là “làm mượt” (smoothing), một kỹ thuật có thể giảm số lượng các khả năng tiếp xúc thành một con số nhỏ hơn để cho phép ngay cả một thuật toán đơn giản cũng có thể nhanh chóng xác định kế hoạch thao tác hiệu quả cho robot.

Dù nghiên cứu mới ở bước đầu, kỹ thuật này có tiềm năng giúp các nhà máy sử dụng các robot di động nhỏ hơn có thể điều khiển vật thể bằng toàn bộ cánh tay hoặc cơ thể, thay vì các cánh tay robot lớn chỉ có thể nắm bắt bằng đồ vật bằng đầu ngón tay. Điều này có thể giúp cắt giảm tiêu thụ năng lượng và chi phí. Bên cạnh đó, kỹ thuật này có thể hữu ích đối với các robot được gửi đi thực hiện sứ mệnh thám hiểm ở Sao Hỏa hoặc các thiên thể khác trong hệ mặt trời vì chúng có thể thích nghi nhanh chóng với môi trường chỉ với việc sử dụng một máy tính.

Học về việc học

Học tăng cường là một kỹ thuật học máy trong đó một tác nhân, giống như một robot, học cách hoàn thành một nhiệm vụ thông qua thử-sai với phần thưởng khi tiến gần hơn đến mục tiêu. Các nhà nghiên cứu cho biết kiểu học này sử dụng cách tiếp cận hộp đen vì hệ thống phải học mọi thứ về thế giới thông qua thử-sai.

Phương pháp này đã được sử dụng một cách hiệu quả để lập kế hoạch cho việc thao tác với nhiều điểm tiếp xúc, trong đó robot học cách tốt nhất để di chuyển một vật thể theo một cách cụ thể.

Song, vì có đến hàng tỷ điểm tiếp xúc tiềm năng mà robot phải suy xét khi xác định cách sử dụng ngón tay, bàn tay, cánh tay và cơ thể để tương tác với một vật thể, nên phương pháp thử-sai này đòi hỏi rất nhiều tính toán.

“Phương pháp học tăng cường có thể phải trải qua hàng triệu năm thời gian mô phỏng mới có thể thực sự học được”, H.J. Terry Suh – sinh viên tốt nghiệp ngành kỹ thuật điện và khoa học máy tính (EECS) và là đồng tác giả của bài báo mới trên IEEE Transactions on Robotics cho biết.

Nhóm nghiên cứu đã tiến hành phân tích chi tiết và phát hiện ra rằng kỹ thuật “làm mịn” có khả năng giúp phương pháp học tăng cường hoạt động hiệu quả hơn. Việc làm mịn sẽ loại bỏ nhiều quyết định trung gian, không quan trọng, để lại một số quyết định quan trọng.

Phương pháp học tăng cường sẽ thực hiện các bước “làm mịn” một cách ngầm định bằng cách thử nhiều điểm tiếp xúc, sau đó tính toán kết quả trung bình có trọng số.

Dựa trên hiểu biết này, các nhà nghiên cứu của MIT đã thiết kế một mô hình đơn giản thực hiện kiểu “làm mịn” tương tự, cho phép nó tập trung vào các tương tác cốt lõi giữa robot với vật thể và dự đoán hành vi lâu dài. Nhóm nghiên cứu chỉ ra rằng, phương pháp này có thể hiệu quả như phương pháp học tăng cường trong việc lập ra các kế hoạch phức tạp.

Mặc dù kỹ thuật “làm mịn” giúp đơn giản hóa rất nhiều các lựa chọn của robot, tuy nhiên việc tìm kiếm các lựa chọn quyết định còn lại vẫn còn là một thách thức. Vì vậy, các nhà nghiên cứu đã kết hợp mô hình của họ với một thuật toán có thể tìm kiếm nhanh chóng và hiệu quả tất cả các quyết định khả thi mà robot có thể đưa ra.

Với sự kết hợp này, thời gian tính toán đã giảm xuống còn khoảng một phút trên máy tính xách tay tiêu chuẩn.