FLEX explora como os robôs podem generalizar instruções quotidianas em simulações

Interpretar para além da ordem literal

Uma instrução como «Não derrames café sobre o portátil» pode expressar uma precaução mais ampla do que evitar um único objeto. FLEX, uma plataforma apresentada por investigadores do MIT e da Universidade de Nova Iorque, procura fazer com que um robô extraia esse tipo de generalizações de instruções quotidianas e as utilize ao planear os seus movimentos.

Segundo o MIT, o estudo será apresentado este mês na conferência anual Conference on Robot Learning. A equipa apresentou o FLEX em cenários simulados: as pessoas escreviam instruções em linguagem natural enquanto um braço robótico virtual movia objetos. Num exemplo, o robô serve café sobre uma mesa com vários objetos e recebe a ordem de não o derramar sobre um portátil; o sistema também modifica a sua trajetória para evitar um telefone próximo.

A plataforma pretende reduzir a necessidade de uma pessoa nomear cada objeto separadamente. Em vez de se limitar a acrescentar um elemento à lista de obstáculos relevantes, o FLEX tenta inferir uma categoria mais geral a partir das correções do utilizador. A informação publicada descreve o método e as suas demonstrações, mas não estabelece como se comportaria em situações reais.

Três etapas para atualizar a lista

O FLEX organiza o processo em três etapas: Add, Generalize e Mask. Em Add, o robô acrescenta à sua lista um elemento indicado pela pessoa. Por exemplo, se alguém disser «Não o deixes cair em cima da minha chávena» enquanto o robô transporta uma bola de bowling, o sistema acrescenta a chávena aos objetos que deve evitar.

Em Generalize, o sistema amplia a precaução. A descrição do MIT indica que o FLEX utiliza o modelo de linguagem GPT-4o para relacionar os elementos identificados pelo utilizador e propor uma categoria mais ampla. No exemplo da chávena, a generalização consiste em evitar objetos frágeis, embora a pessoa não tenha enumerado todos os objetos dessa categoria. Desta forma, a plataforma combina a lista de características relevantes para a tarefa com associações geradas pelo modelo.

A terceira etapa, Mask, utiliza o sistema de visão artificial do robô para determinar que objetos já não estão presentes e removê-los da lista. O MIT indica que o processo completo demora cerca de cinco segundos. A descrição não fornece outras medidas de desempenho, como a frequência de inferências corretas ou os erros observados.

O que os testes virtuais demonstraram

Os investigadores testaram o FLEX em simulações de três tarefas com um braço robótico: servir uma chávena de café, mover uma vela e transportar uma bola de bowling. As pessoas escreveram comandos como «Não derrames sobre o meu portátil», «Afasta-te da pilha de papel» e «Não o deixes cair em cima da chávena». Segundo o MIT, o robô seguiu cada instrução e também generalizou, evitando aparelhos eletrónicos, objetos inflamáveis e elementos frágeis, respetivamente.

Estes exemplos mostram o propósito do método em ambientes virtuais, mas não permitem determinar como funcionaria em situações reais, com outros robôs ou perante instruções diferentes. A fonte descreve três tarefas simuladas e não comunica testes com utilizadores em habitações, comparações quantitativas com outros métodos nem taxas de erro.

Equipa, financiamento e âmbito

O MIT identifica Andreea Bobu, professora adjunta de aeronáutica e astronáutica dessa instituição, como responsável pelo estudo. Entre os coautores, menciona Nathan Dennler, investigador de pós-doutoramento do Laboratório de Ciência da Computação e Inteligência Artificial do MIT (CSAIL), bem como Audrey Lee e Ilia Sucholutsky, da Universidade de Nova Iorque. A fonte indica que o trabalho recebeu apoio parcial do MIT Generative AI Impact Consortium e do programa Social and Ethical Responsibilities of Computing do MIT Schwarzman College of Computing.

A demonstração não permite concluir como o FLEX responderia a preferências contraditórias ou instruções ambíguas, nem qual seria o seu desempenho fora das simulações. Estas questões permanecem em aberto na informação publicada.

As referências da NSF aqui incluídas são contextuais: uma explica como a agência apoia a investigação e outra descreve programas de investigação de materiais da sua Direção de Ciências Matemáticas e Físicas. Não corroboram de forma independente os resultados do FLEX, que o MIT atribui ao estudo da sua equipa. NSF: como apoia a investigação · NSF: programas de investigação de materiais da Direção de Ciências Matemáticas e Físicas

Referências