该机构研究人员为了训练更先进的多用途机器人，开发出一种技术：使用一种称为扩散模型的生成式人工智能（AI），可将不同领域、不同形式的多个数据源整合起来，用于多种任务。
假设你想训练一个机器人，让它了解如何使用工具，然后快速学会用锤子、扳手和螺丝刀来维修你的房子。为此，你需要大量数据来演示工具的使用。
现有的机器人数据集在形式上差异很大。例如，有些包括彩色图像，而另一些则由触觉印记组成。数据也可在不同的领域收集，如模拟或人工演示。每个数据集都可能包含一个独特的任务和环境。
在一个机器学习模型中，很难有效地将众多来源的数据整合在一起，因此许多模型仅使用一种类型的数据来训练机器人。但是，以这种方式训练的机器人，在某些特定任务方面的数据相对较少，通常无法在不熟悉的环境中执行新任务。
研究人员此次改变策略，训练了一个单独的扩散模型，让它学习使用一个特定数据集来完成一项任务。然后，他们将扩散模型的学习策略组合成一个通用策略，使机器人能在各种设置中执行多项任务。
在模拟和真实世界的实验中，这种训练方法使机器人能使用多种工具，并适应训练期间没有学过的新任务。与基线技术相比，这种策略组合将任务性能提高了20%。
解决机器人数据集中的异质性就像一个先有鸡还是先有蛋的问题。如果想使用大量数据来训练通用机器人，首先需要可部署的机器人来获取所有这些数据。利用所有可用的异质数据，类似于研究人员对ChatGPT所做的工作，是机器人领域发展的重要一环。
本文采编：CY
