本周，麻省理工学院展示了一种用于训练机器人的新模型。与教授机器人新任务的标准聚焦数据集不同，该方法规模宏大，模仿了训练大型语言模型（LLM）的海量信息库。
研究人员指出，模仿学习（即智能体通过跟随执行任务的个体进行学习）在引入微小挑战时可能会失败。这些挑战包括光照变化、不同的环境设置或新的障碍物。在这些场景下，机器人往往缺乏足够的数据来进行适应。
该团队借鉴GPT-4等模型，采用一种数据上的“蛮力”方法来解决这个问题。
论文第一作者王立瑞表示：“在语言领域，数据全都是句子；而在机器人学中，鉴于数据的异构性，若想以类似方式进行预训练，我们需要不同的架构。”
为此，团队推出了一种名为异构预训练Transformer（HPT）的新架构。它整合来自不同传感器和环境的信息，随后利用Transformer将数据融合以训练模型。Transformer越大，输出效果越好。
用户后续只需输入机器人的设计、配置以及希望完成的任务即可。
卡内基梅隆大学副教授David Held评价道：“我们的梦想是拥有一个通用的机器人大脑，可以直接下载并用于机器人，无需任何训练。虽然目前还处于早期阶段，但我们将继续努力推进，希望规模化能像在大语言模型中那样，带来机器人策略的突破。”
这项研究部分由丰田研究院（TRI）资助。去年在TechCrunch Disrupt上，TRI首次发布了一种overnight训练机器人的方法；最近，其达成了一项里程碑式合作，将机器人学习研究与波士顿动力（Boston Dynamics）的硬件相结合。