Roomba를 넘어 가정용 로봇의 광범위한 채택은 비용, 실용성, 디자인 및 매핑 환경의 어려움을 포함한 여러 요인으로 인해 방해를 받았습니다. 이러한 문제가 부분적으로 해결되더라도 여전히 오류가 발생하며 이러한 시스템이 저지르는 실수를 바로잡기가 어렵기 때문에 오류가 더욱 악화됩니다. 주요 조직은 이러한 문제를 처리할 수 있는 능력을 갖추고 있지만 소비자가 디버깅을 위해 전문가에게 비용을 지불하거나 프로그래머가 될 것을 기대하는 것은 비현실적입니다. 그러나 MIT의 최근 연구에 따르면 LLM(대형 언어 모델)이 가능한 접근 방식을 제공합니다.
ICLR(International Conference on Learning Representations)에서 곧 발표될 논문에서는 로봇이 자율적으로 교정할 수 있도록 어느 정도 '상식'을 갖춘 로봇을 통합하려고 합니다. 이 연구에 따르면 로봇은 인간의 행동을 복제할 수 있지만 가능한 모든 장애물을 처리하도록 적절하게 훈련되지 않으면 예상치 못한 변화에 적응하는 데 어려움을 겪고 처음부터 작업을 다시 시작하는 경우가 많습니다.
이 연구는 특히 작은 변화로도 시스템이 재설정될 수 있는 역동적인 가정 상황에서 로봇 모방 학습의 단점에 주목합니다. MIT 연구는 활동을 더 작은 구성 요소로 나누어 수정을 더 쉽게 만들고 프로그래머가 수동으로 개입할 필요를 없애는 혁신적인 방법을 제안합니다. 이는 공통 언어로 단계별 지침을 제공함으로써 인간의 시연과 로봇의 이해 사이의 격차를 해소하는 LLM에 의해 가능해졌습니다. 이를 통해 로봇은 작업 단계를 인식하고 스스로 필요한 조정을 수행할 수 있습니다.
대리석을 퍼내고 붓도록 훈련된 로봇을 사용하여 연구는 이 아이디어를 설명하고 LLM이 의도적으로 중단된 후 로봇이 스스로 교정할 수 있도록 하는 방법을 보여주었습니다. 이 접근 방식은 오류 발생 시 인간 프로그래밍이나 개입에 대한 요구 사항을 크게 줄여 로봇 공학의 지속적인 문제에 대한 효과적인 해결 방법을 제공합니다.
경력을 방해하지 않고 기술을 향상하세요! Code Labs Academy의 온라인 파트타임 데이터 과학 및 AI 부트캠프에 참여하여 코딩 및 데이터 분석에 관한 실무 기술을 습득하세요. 업계 전문가로부터 배우고, 실제 프로젝트를 구축하고, 데이터 기반 경력을 준비하는 등 모든 것이 원하는 일정에 맞춰 이루어집니다!