Como LLMs Estão Revolucionando a Interação Robô-Humano

A Revolução da Robótica com LLMs

Imagine um futuro próximo no qual você trabalha em um armazém ou escritório e precisa ajudar um novo colega a aprender as bases de seu trabalho. Este colega, entretanto, é um robô. A interação seria como um jogo de "mostrar e contar", onde você demonstra fisicamente como realizar tarefas enquanto explica cada passo.

Por exemplo, ao instruir o robô a colocar um café em sua mesa sem incomodá-lo durante uma reunião no Zoom, seria ideal que ele entendesse que deve manter certa distância de você e do laptop. Para que isso seja possível, o robô precisa ser treinado com dados que demonstrem claramente toda a tarefa. Contudo, ensinar robôs tem sido um desafio para cientistas da computação, que normalmente registram infindáveis demonstrações físicas ou escrevem extensos manuais.

Pesquisadores do Laboratório de Ciência da Computação e Inteligência Artificial do MIT (CSAIL) estão mudando esse cenário com uma nova abordagem chamada Masked Inverse Reinforcement Learning (Masked IRL), que utiliza modelos de linguagem grande (LLMs) para esclarecer instruções ambíguas usando cinco vezes menos dados de demonstração.

O sistema automatiza o ensino, garantindo que as máquinas compreendam o que os usuários realmente desejam sem que eles precisem elaborar cada pequeno detalhe. "Nossa abordagem pode ser muito útil quando um humano interage com um robô, mas não deseja especificar todos os detalhes de uma tarefa", explica a estudante de doutorado do MIT, Minyoung Hwang, co-autora do estudo que apresenta o projeto.

Compreendendo o Ambiente e as Instruções

O Masked IRL pode ajudar robôs a se moverem com segurança em ambientes onde elementos cruciais podem não ser descritos nas instruções. Por exemplo, enquanto um robô busca um lanche, ele deve evitar colidir com um laptop. Da mesma forma, um robô de fábrica deve manobrar cuidadosamente entre prateleiras.

Para aprender novas tarefas nessas condições, o Masked IRL se vale dos sensores do robô para capturar informações sobre o ambiente. Além disso, ele registra cada movimento de uma demonstração cinestésica — onde um humano move fisicamente o robô para realizar uma ação específica.

Uma vez que a sequência de movimentos (chamada de trajetória) é registrada, a LLM compara isso ao caminho mais curto possível. O modelo também elucida o que pode estar confuso nas instruções. Por exemplo, um comando vago como "permanecer próximo" se transforma em "permanecer próximo à superfície da mesa".

Com essa comparação e direções mais claras, o LLM começa a entender a relevância dos movimentos ensaiados para a tarefa. Um segundo LLM avalia detalhes do ambiente, ignorando elementos considerados irrelevantes e pontuando cada um como "1" (importante) ou "0" (desnecessário).

Resultados e Futuro da Robótica Interativa

Esse método conferiu ao Masked IRL uma vantagem significativa sobre abordagens comparáveis em demonstrações 3D e no mundo real, permitindo que robôs virtuais e reais manobram objetos de forma habilidosa em torno de obstáculos. Em testes de simulação, os pesquisadores do CSAIL encontraram que o Masked IRL era um aprendiz rápido e exigiu menos demonstrações para entender como mover um copo do que seus equivalentes. Além disso, foi demonstrado que os robôs realizavam melhor as tarefas quando as instruções eram esclarecidas por um LLM, em vez de seguir comandos vagos.

Esses avanços estão mostrando um caminho promissor: logo, robôs poderiam não apenas entender comandos como também