Nhóm phát triển gồm các chuyên gia tại các trường đại học Columbia, Princeton và Stanford, Bot gọn gàng 4 đã thử nghiệm với tổng cộng 24 kịch bản ở các phòng khác nhau; các đồ vật đó có thể được đặt trong từng tình huống để hiểu được sự thành công của robot. 2 – 5 địa điểm đã được xác định. Ngoài ra, các đối tượng được định nghĩa là “nhìn thấy” và “không nhìn thấy”.
Theo báo cáo của Independent, tập dữ liệu điểm chuẩn dựa trên văn bản đã được sử dụng để ra lệnh cho robot. Một số lệnh được nhập với sự trợ giúp của Mô hình ngôn ngữ chính (LLM), “Áo sơ mi vàng trong ngăn kéo, áo sơ mi tối màu trong tủ và tất trắng trong ngăn kéo” đã ở dạng này.
Từ những lệnh này, LLM đưa ra các quy tắc tổng quát về vị trí của đồ vật đối với một người dùng cụ thể, chẳng hạn như “quần áo sáng màu trong ngăn kéo, quần áo tối màu trong tủ”. Ngoài ra, các lệnh cụ thể như “cho đồ giặt vào giỏ giặt” đã được đưa ra cho LLM, cho phép áp dụng chiến lược trong khi giặt đồ.
91 % VẬT THỂ TÀNG HÌNH,2 SỰ THẬT
TidyBot chạy trên các đối tượng được xác định là “vô hình” trong 24 tình huống khác nhau. 91 phần trăm,2 có được độ chính xác. Để robot bắt đầu dọn dẹp, trước tiên người dùng phải phân công nhiệm vụ. Để làm được điều này, họ cần cung cấp một số trường hợp về vị trí cho các đối tượng cụ thể. Sau đó, LLM tìm hiểu các nhiệm vụ.
Trên trang web chính thức của TidyBot, khả năng của robot được mô tả như sau:
“Trong nghiên cứu này, chúng tôi khám phá khả năng tùy chỉnh việc dọn dẹp nhà cửa bằng robot có thể dọn dẹp phòng bằng cách nhặt và dọn đồ vật.
Một thách thức lớn là xác định vị trí thích hợp để đặt từng đồ vật, vì sở thích của mọi người có thể khác nhau tùy theo sở thích cá nhân hoặc nền tảng văn hóa. Ví dụ, một người có thể thích cất áo sơ mi trong ngăn kéo, trong khi người khác có thể thích cất chúng trên kệ. Chúng tôi mong muốn tạo ra các hệ thống có thể tìm hiểu những sở thích như vậy chỉ từ một số ví dụ, thông qua các tương tác trước đó với một người cụ thể.
“Chúng tôi muốn chứng minh rằng robot có thể hiểu được sở thích của người dùng và có thể áp dụng rộng rãi cho các tương tác trong tương lai, bằng cách kết hợp việc lập kế hoạch và cảm biến dựa trên ngôn ngữ với khả năng tóm tắt của các mô hình ngôn ngữ lớn (LLM).”
Nguồn: Độc lập
