Apple Machine Learning Research stellte MoMo vor – ein zweistufiges System zum Erlernen von Robotermanipulationen durch Demonstrationen. Es kombiniert einen räumlich-zeitlichen Aktionstokenisierer und einen Transformer für Verhaltensklonierung.
Das System erhält eine Aufgabe und eine kontinuierliche Bedingung für den Bewegungsmodus. Laut den Autoren soll dies dem Roboter ermöglichen, die Art der Aktionsausführung unter Berücksichtigung von Aufgabe, Objekt und Interaktionsbedingungen zu ändern, wobei ein allgemeiner Verhaltensfaktor über verschiedene Aufgaben hinweg erhalten bleibt.
Die praktische Relevanz der Idee ist bisher durch keine im ursprünglichen Beschreibung enthaltenen Metriken oder experimentellen Ergebnisse bestätigt. Die Quelle enthält nur eine Zusammenfassung der Arbeit, sodass das Ausmaß der Verbesserungen, die Datenanforderungen und die Robustheit der Methode offene Fragen bleiben.
redaktioneller Kommentar
Warum es wichtig ist
Wahrscheinliche Folge: Das Forschungsinteresse wird sich voraussichtlich stärker auf die Steuerung nicht nur des Ergebnisses, sondern auch der Art der Ausführung von Aktionen durch Roboter richten. Das nächste zu beobachtende Signal wären veröffentlichte Metriken, Beschreibungen von Experimenten oder unabhängige Reproduktionen. Eine erhebliche Unsicherheit besteht darin, dass derzeit nur eine Zusammenfassung ohne Daten zur Qualität der Methode verfügbar ist.