Um sistema para permitir que robôs executem a linguagem natural de forma eficaz

Você está sonhando com um futuro onde os robôs são usados ​​para uma variedade de atividades, para que nós mesmos não tenhamos que fazê-los?

Vamos lá, pense nisso! Limpar, cozinhar, fazer todas as nossas tarefas são apenas algumas das maravilhosas possibilidades. Que possibilidade maravilhosa, certo? Infelizmente, no momento você terá que continuar sonhando.

Embora existam alguns robôs incríveis que existem por aí, os robôs ainda não são adaptáveis ​​o suficiente para realizar uma ampla gama de atividades como essa de forma eficaz. Além disso, embora a tecnologia de reconhecimento de fala tenha avançado aos trancos e barrancos, ainda não é boa o suficiente para uso com robôs.

Sua melhor aposta para obter algo como um mordomo de robô hipotético para seguir suas instruções seria digitar o conjunto de instruções.

Comandos falados

O problema com os comandos falados é que eles contêm vários níveis de complexidade, embora isso nem sempre seja claro.

Imagine dizer ao seu robô: “Pegue a caixa ali”. Isso parece bastante simples, mas há um problema. Seu robô terá que dividir isso em várias etapas antes de concluir a ação. Um cenário possível para executar este comando é:

• Ligue o sistema de rastreamento
• Ligue motores andando
• Mude a direção
• Tome as medidas necessárias
• Girar membros
• Caixa de aperto
• Caixa elevadora

Como você pode ver, isso é realmente mais complexo do que parecia ser. Agora, imagine esse comando comparado a algo como: "Ligue seu sistema de rastreamento". Embora o número de palavras usadas para fornecer esses dois comandos seja semelhante, seus níveis de complexidade estão em mundos separados.

Como podemos resolver isso? No momento, os robôs terão dificuldade em descobrir os diferentes níveis de complexidade dos comandos falados.

Não tenha medo, uma equipe da Brown University desenvolveu um sistema que melhora a maneira como os robôs lidam com comandos falados.

Como fazer com que seus robôs obedeçam às suas ordens: um sistema para permitir que os robôs executem os comandos falados com eficiência

Os pesquisadores da Brown usaram os dados obtidos para treinar seu sistema para entender os níveis variados de complexidade. O sistema foi então capaz de reunir as ações necessárias a serem realizadas e compreender os níveis de complexidade associados a diferentes estruturas de sentenças.

A equipe da Brown University decidiu abordar o problema de obter robôs para executar comandos falados usando um sistema engenhoso. Eles usaram o Mechanical Turk da Amazon, bem como uma ferramenta chamada Virtual Cleanup World para desenvolver seu modelo.

O Turk Mecânico é um mercado de trabalho que requer a inteligência dos humanos. Embora a inteligência artificial esteja fazendo alguns feitos impressionantes, há muitas tarefas que os humanos podem fazer de forma mais eficaz, como identificar objetos em um vídeo. O mundo da limpeza virtual é um domínio de tarefa virtual. Consiste em salas codificadas por cores, um robô virtual e um objeto para o robô realizar tarefas.

Voluntários da Mechanical Turk descobriram quais conjuntos de instruções levaram a ações específicas no mundo da limpeza. Primeiro, eles observaram o robô enquanto realizavam várias tarefas.

Eles então foram questionados sobre quais conjuntos de instruções eles achavam que funcionariam melhor. Os voluntários foram convidados a criar comandos de alto nível, nível médio e baixo nível.

Comandos de alto nível eram aqueles como instruir o robô a carregar uma cadeira para uma sala de uma determinada cor. Comandos de baixo nível eram comandos divididos em várias etapas. Comandos de nível médio combinavam os recursos de comandos de alto e baixo nível.

Os pesquisadores da Brown usaram os dados obtidos para treinar seu sistema para entender os níveis variados de complexidade. O sistema foi então capaz de reunir as ações necessárias a serem realizadas e compreender os níveis de complexidade associados a diferentes estruturas de sentenças.

Colocando o sistema no teste

Quando os robôs foram capazes de descobrir o resultado final desejado, bem como entender o nível de complexidade das tarefas, eles completaram a tarefa em apenas 1 segundo 90% do tempo.

Com base nisso, foi capaz de elaborar um plano apropriado com base nos comandos falados que foi dado. Depois de treinar seu sistema, era hora de testar os frutos de seu trabalho. A pesquisa utilizou novamente o Cleanup World, bem como um robô real operando em um espaço físico configurado de forma semelhante ao Virtual Cleanup World.

Quando os robôs foram capazes de descobrir o resultado final desejado, bem como entender o nível de complexidade das tarefas, eles completaram a tarefa em apenas 1 segundo 90% do tempo.

No entanto, quando houve uma falha na compreensão do nível de complexidade, a conclusão da tarefa levou mais tempo. Nesse caso, os robôs precisaram de 20 segundos ou mais de planejamento para concluir uma tarefa.

Os pesquisadores precisarão encontrar maneiras de minimizar essas falhas para criar um sistema mais eficiente.

Pensamentos finais

Os robôs ainda têm um bom caminho antes de serem mainstream. No entanto, este trabalho nos aproxima de ter robôs que podem entender facilmente os comandos que lhes são fornecidos. Até lá, vá lavar seus próprios pratos.