A Toyota a mesterséges intelligencia és a robotika területén is a világ egyik vezető fejlesztőjének számít. Robotikai tevékenysége a gyártásautomatizálással indult az 1970-es évek végén, az ipari robotok révén a termelékenység és pontosság növelése volt a cél. A 2000-es évektől azonban egyre nagyobb hangsúlyt kapott a humán együttműködésre képes robotok fejlesztése: a Toyota 2004-ben hivatalosan is stratégiai területté nyilvánította a robotikát, különös tekintettel a társadalmi hasznosságra. Ezt követően számos olyan fejlesztés indult, amely az idősek, betegek vagy mozgáskorlátozottak támogatását célozza. Ezek közül a legismertebb a 2017-ben bemutatott Human Support Robot (HSR).
A jelenlegi fókuszban a Toyota Research Institute áll, amely a szilícium-völgyi kutatóközpontban dolgozik a következő generációs robotikai megoldásokon. Legújabb irányuk a nagy nyelvi modellekhez hasonló, de mozgásra és cselekvésre optimalizált viselkedési modellek fejlesztése, valamint a robotok flottaszintű, kollektív tanulási képességeinek kiaknázása. A cél: olyan robotikai rendszerek létrehozása, amelyek nemcsak egy-egy feladatra alkalmasak, hanem változatos, összetett környezetben is képesek alkalmazkodni és tanulni.
A jövő segítői: áttörés küszöbén a Toyota robotikai fejlesztései
A Toyota több mint húsz éve végez robotikai fejlesztéseket, és ez idő alatt nemcsak az ipari automatizálás területén ért el eredményeket, hanem az emberközpontú robotika úttörője is lett. A vállalat olyan segítő robotokat mutatott be, amelyek nemcsak technológiai szempontból figyelemreméltóak, hanem a társadalmi hasznosság új szintjeit is képviselik. Az egyik legismertebb fejlesztés, a Human Support Robot (HSR) például képes kisebb tárgyak felvételére, házimunkák elvégzésére, és kifejezetten mozgáskorlátozott emberek otthoni támogatását célozza.
A Toyota ezen kívül a Partner Robot program keretében olyan társalkodó és zenélő robotokat is készített, amelyek a mérnöki precizitást művészi kifejezéssel egyesítik – például a trombitáló és hegedülő robotok formájában. A 2021-es Tokiói Olimpián és Paralimpián önvezető Field Support Robotok szállították vissza a sporteszközöket a dobószámok során, míg a humanoid T-HR3 a látogatók köszöntésében vett részt. A játékos oldalról a CUE nevű robot emelkedett ki, amely mesterséges intelligenciával számolja ki a dobások ívét – 2019-ben és 2024-ben is Guinness-rekordot állított fel pontos büntetődobásaival, legutóbb 24,55 méterről talált be a kosárba.
A robotika új korszaka: nagy viselkedési modellek (LBM-ek)
A Toyota Research Institute (TRI) jelenlegi munkájának középpontjában az általános célú, tanulóképes robotok fejlesztése áll. Ezek a rendszerek már nem egy-egy konkrét feladatot hajtanak végre, hanem képesek különböző környezetekhez és feladatokhoz alkalmazkodni, sőt új feladatokat is megtanulni. Mindezt a nagy nyelvi modellekhez hasonló módon működő nagy viselkedési modellek (Large Behavior Models – LBM) teszik lehetővé, amelyek viselkedési és szenzoradatok alapján tanulnak manipulációs mozdulatokat.
A TRI mérnökei 1700 órányi robotikai adat és 1800 óra valós környezetbeli tesztelés alapján, több mint 47 000 szimulációs értékelés révén vizsgálták a diffúzió-alapú LBM-ek működését. Az eredmények alapján a következő fő megállapítások születtek:
– Az LBM-ek következetesen jobban teljesítenek, mint a nulláról induló tanítási stratégiák.
– Új feladatokat is képesek megtanulni 3–5-ször kevesebb tanulási adattal.
– Teljesítményük folyamatosan javul, ha növelik az előzetes tanulási adatkészletet.
– Már néhány száz viselkedési minta is elegendő lehet ahhoz, hogy megbízhatóan teljesítsenek új helyzetekben is.
A kutatók összetett, szimulált és valós feladatokból álló tesztkörnyezetet használtak, ahol a robotokat látott és nem látott feladatokon is értékelték. A modellek jól teljesítettek akkor is, amikor a tanulási fázisban nem szereplő környezeti kihívásokkal találkoztak – ez a robusztus, általános célú robotintelligencia egyik kulcstulajdonsága.
Skálázhatóság és kollektív tanulás: közel az áttörés
A Toyota kutatói kiemelik, hogy az LBM-ek teljesítménye nem mutatott törést vagy plafont a skálázás során – a tanulási adatok mennyiségének növelésével az eredmények stabilan javultak. Ez biztató jel arra, hogy a robotikai mesterséges intelligencia skálázható rendszerekké válhat. Ugyanakkor még mindig szükséges a finomhangolás, különösen akkor, ha egyetlen modellnek kell több, eltérő feladatot is megtanulnia.
A Toyota szerint az áttörés közel van: a flottaszinten tanuló robotok koncepciója – ahol a robotok közösen, megosztott tudással tanulnak – komoly lehetőségeket rejt magában. A cél nem csupán a precíz végrehajtás, hanem a rugalmas, emberrel együttműködő viselkedés, amely lehetővé teszi, hogy a robotok a jövőben ne csak ipari környezetben, hanem otthonokban, kórházakban és közösségi terekben is érdemi segítséget nyújtsanak.
Forrás: Toyota
