A robottanítás eddig egy végeláthatatlan, lélekölő daráló volt: manuális újraindítások, állandó felügyelet és a kudarcok utáni végtelen takarítás. Minden egyes sikeres mozdulat mögött, amit egy gép elsajátít, ott áll egy ember, aki valószínűleg tucatszor rakta vissza a helyére a leesett tárgyakat a rontott kísérletek után. A RoboClaw névre keresztelt új keretrendszer most véget vetne ennek a rémálomnak azzal, hogy megtanítja a robotoknak azt az egyetlen készséget, ami eddig fájóan hiányzott belőlük: hogyan takarítsanak el maguk után.
Az AgiBot, a Szingapúri Nemzeti Egyetem és a Sanghaji Csiao Tung Egyetem kutatói által fejlesztett RoboClaw egy pofonegyszerű, mégis zseniális koncepciót vezet be, amit összefonódott akciópároknak (Entangled Action Pairs – EAP) neveztek el. A lényeg, hogy minden egyes elsajátított „előrehaladó” készség mellé – mint például egy rúzs behelyezése a tartóba – a robot megtanulja annak inverzét, a „visszacsinálást” is – jelen esetben a rúzs kivételét. Ez a két viselkedésforma egy öngerjesztő hurkot hoz létre: a robot gyakorolja a feladatot, majd saját maga állítja vissza a környezetet az eredeti állapotba, hogy kezdhesse elölről. Így az adatgyűjtés teljesen autonómmá válik, és nincs szükség többé emberi bébiszitterre.
Az eredmények, őszintén szólva, egészen elképesztőek. A kutatók nyolcszoros csökkenést mértek az emberi beavatkozások számában a tanítás során, miközben az egy-egy adatsor összeállításához szükséges emberi munkaidő a töredékére (2,16-szorosára) csökkent. Ami pedig a legfontosabb: a komplex, több lépésből álló folyamatoknál 25%-kal magasabb sikerességi rátát értek el a korábbi alapmodellekhez képest. A rendszert egy fésülködőasztal rendszerezésén tesztelték, ahol a gép önállóan tanulta meg a különböző tárgyak kezelését és helyre tételét, miközben menet közben korrigálta a saját hibáit.
Miért akkora szám ez?
Az igazi áttörés nem csupán az önbeállító hurokban rejlik, hanem abban, hogy ugyanaz az ágens végzi a robot tanítását, amelyik később a gyakorlatban is működteti. A legtöbb robotikai rendszernél az adatgyűjtés, a modell tanítása és a valós idejű végrehajtás három, egymástól élesen elválasztott folyamat. A RoboClaw viszont mindhármat egyetlen, Vision-Language-Model (VLM) alapú vezérlőben egyesíti.
Ez azt jelenti, hogy ha a robot elront valamit a való világban, az nem egy emberi beavatkozást igénylő hiba többé, hanem egy újabb értékes adatpont, ami azonnal visszacsatolódik a rendszerbe. A gép a terepen, a saját botlásaiból okulva fejlődik tovább. Ez a szemléletmód emeli át a robotikát a merev, előre programozott automatizáció világából a valódi, alkalmazkodóképes ágensek korszakába, amelyek képesek „vadon”, változó körülmények között is tanulni.
