Исследователи из Стэнфорда и Корнелла представили APRICOT: новый подход ИИ, объединяющий активное обучение предпочтений и планирование задач с учетом ограничений.

 Researchers from Stanford and Cornell Introduce APRICOT: A Novel AI Approach that Merges LLM-based Bayesian Active Preference Learning with Constraint-Aware Task Planning

Введение в APRICOT: Новое решение для робототехники

В быстро развивающейся области домашних роботов возникла серьезная проблема: выполнение персонализированных организационных задач, таких как укладка продуктов в холодильник. Эти задачи требуют от роботов учета предпочтений пользователей и физических ограничений, избегая столкновений и поддерживая стабильность.

Проблемы существующих решений

Существующие подходы к решению этих задач можно разделить на две категории: активное изучение предпочтений и планирование на основе больших языковых моделей (LLM). Однако у них есть ограничения, такие как:

  • Неоднозначность в интерпретации уникальных предпочтений.
  • Сложности в переводе абстрактных предпочтений в физически осуществимые действия.

Предложенное решение: APRICOT

Исследователи из Корнеллского и Стэнфордского университетов представили систему APRICOT (Активное изучение предпочтений с учетом ограничений). Эта система включает четыре ключевых компонента:

  • Модель визуального языка для перевода визуальных демонстраций в языковые инструкции.
  • Модуль активного изучения предпочтений на основе LLM, который эффективно определяет предпочтения пользователей.
  • Планировщик задач, учитывающий ограничения и предпочтения.
  • Роботизированная система для реальной реализации.

Этапы работы APRICOT

Архитектура APRICOT состоит из трех основных этапов:

  1. Изучение предпочтений через визуальные демонстрации.
  2. Планирование задач с использованием семантического и геометрического подходов.
  3. Реализация задач в реальном мире с помощью системы восприятия и политики выполнения.

Преимущества APRICOT

Экспериментальные оценки показывают высокую эффективность APRICOT:

  • Точность изучения предпочтений составила 58%, что значительно выше, чем у других методов.
  • Система требует на 71.9% меньше запросов для взаимодействия с пользователем.
  • APRICOT сохраняет 96% осуществимых планов и 89% удовлетворенности предпочтениями в сложных сценариях.

Заключение

APRICOT представляет собой значительный шаг вперед в персонализированном выполнении задач роботами. Система эффективно интегрирует изучение предпочтений с учетом ограничений, обеспечивая высокую производительность при минимальном взаимодействии с пользователем.

Как использовать ИИ в вашем бизнесе

Если вы хотите развивать свой бизнес с помощью ИИ, рассмотрите следующие шаги:

  • Проанализируйте, как ИИ может изменить вашу работу.
  • Определите ключевые показатели эффективности (KPI), которые хотите улучшить.
  • Выберите подходящее ИИ-решение и внедряйте его постепенно.

Если вам нужны советы по внедрению ИИ, пишите нам.

Попробуйте ИИ-ассистента в продажах, который помогает отвечать на вопросы клиентов и генерировать контент для отдела продаж.

Мобильная разработка на заказ и готовые решения

Мобильная разработка

Готовые и индивидуальные решения

Веб решения - разработка сайтов и сервисов

Web решения

Получите бесплатную консультацию по веб-разработке прямо сейчас

Аутсорсинг, подбор специалистов и команд разработки

Аутсорсинг

Выберите своего специалиста сегодня и начните свой проект