Изучением руководили Дилип Арумугам и Сиддхарт Карамчети, каковые были студентами Брауна на момент исполнения работы (Арумугам на данный момент получает образование аспирантуре Брауна). Они трудились с аспирантом Накулом Гопаланом и докторантом Лоусоном Л.С.
Вонг в лаборатории Стефани Теллекс, доктора наук информатики Брауна.«Неприятность, которую мы решаем, — это языковое заземление, что свидетельствует, что робот обязан принимать команды на естественном языке и генерировать поведение, которое удачно делает задачу», — сообщил Арумугам. «Неприятность в том, что команды смогут иметь различные уровни абстракции, и это может привести к тому, что робот будет неэффективно планировать собственные действия либо по большому счету не сможет выполнить задачу».К примеру, представьте, что кто-то на складе трудится вместе c роботизированным вилочным погрузчиком. Человек может сообщить партнеру-роботу: «Забери данный поддон».
Это в высшей степени абстрактная команда, которая подразумевает последовательность более небольших подэтапов — выстраивание лифта в линию, размещение вилок под ним и подъем его. Но другие неспециализированные команды смогут быть более детализированными и включать лишь одно воздействие: к примеру, «мало наклонить вилы назад».
По словам исследователей, эти различные уровни абстракции смогут привести к для современных языковых моделей роботов. Большая часть моделей пробуют идентифицировать реплики из слов в команде, и из структуры предложения, а после этого выводят желаемое воздействие из этого языка. После этого результаты вывода запускают метод планирования, что пробует решить задачу.
Но не учитывая специфики руководств робот может перепланировать простые руководства либо недооценить более абстрактные руководства, каковые включают больше подшагов. Это может привести к неправильным действиям либо через чур продолжительному запаздыванию перед тем, как робот предпримет действия.
Но эта новая совокупность додаёт дополнительный уровень сложности существующим моделям. Кроме несложного вывода желаемой задачи из языка, новая совокупность кроме этого разбирает язык, дабы вывести определенный уровень абстракции.
«Это разрешает нам связать вывод задачи, и предполагаемый уровень специфичности с иерархическим планировщиком, так что мы можем планировать на любом уровне абстракции», — сообщил Арумугам. «Со своей стороны, мы можем существенно повысить производительность при исполнении задач если сравнивать с существующими совокупностями».Для разработки собственной новой модели исследователи применяли Mechanical Turk, рынок краудсорсинга Amazon и виртуальную область задач называющиеся Cleanup World. Онлайн-домен имеет несколько помещений с цветовой кодировкой, объекта-и робота агента, которым возможно манипулировать, — в этом случае стула, что возможно перемещать из помещения в помещение.
Добровольцы из «Механического турка» замечали, как робот-агент делает задание в области «Мир очистки» — к примеру, перемещает стул из красной помещения в соседнюю светло синий помещение. После этого добровольцев попросили сообщить, какие конкретно инструкции они дали бы роботу, дабы вынудить его выполнить задание, которое они только что замечали. Добровольцам дали указания относительно уровня конкретности их направлений.
Руководства варьировались от большого уровня: «Отведите стул в светло синий помещение» до ступенчатого уровня: «Сделайте пять шагов на север, разверните направо, сделайте еще два шага, заберите стул, разверните налево, разверните налево, сделайте пять шагов». шаги на юг ". Третий уровень абстракции применяет терминологию где-то посередине между этими двумя.Исследователи применяли устные руководства добровольцев, дабы научить их совокупность осознавать, какие конкретно слова употребляются на каждом уровне абстракции.
Оттуда совокупность обучилась определять не только желаемое воздействие, но и уровень абстракции команды. Зная обе эти вещи, совокупность может после этого запустить собственный метод иерархического планирования для ответа задачи с соответствующего уровня.Научив собственную совокупность, исследователи удостоверились в надежности ее как в виртуальном мире очистки, так и на настоящем роботе, похожем на Roomba, трудящемся в физическом мире, похожем на пространство мира очистки.
Они продемонстрировали, что, в то время, когда робот имел возможность сделать вывод и о задаче, и о специфике руководств, он в 90% случаев отвечал на команды за одну секунду. Для сравнения, в то время, когда уровень специфичности не предполагался, добрая половина всех задач потребовала 20 либо более секунд времени на планирование.
«В конечном счете мы желаем видеть роботов, каковые будут нужными партнерами в отечественных зданиях и на работе», — сообщил Теллекс, специализирующийся на сотрудничестве между роботом и человеком. «Эта работа — ход к цели дать людям возможность общаться с роботами практически так же, как мы общаемся между собой».