Nếu muốn dạy một đứa trẻ buộc dây giày, chúng ta thường làm mẫu rồi để trẻ làm theo.
Robot cũng có thể học theo một cách khá giống như vậy.
Thay vì viết hàng nghìn dòng lệnh quy định từng chuyển động, chúng ta cho robot quan sát hoặc ghi lại nhiều lần thực hiện đúng, sau đó dùng dữ liệu đó để huấn luyện.
Đây là một trong những ý tưởng quan trọng của Imitation Learning – học bằng cách bắt chước.
Dạy robot bằng cách “làm mẫu”
Giả sử chúng ta muốn robot học cách lấy một quả táo và đặt vào giỏ.
Một người có thể điều khiển robot thực hiện thao tác đó nhiều lần.
Camera ghi lại những gì robot nhìn thấy.
Đồng thời hệ thống ghi lại:
- vị trí các khớp robot;
- hướng di chuyển;
- trạng thái đóng/mở của gripper;
- thời gian của từng hành động.
Quá trình con người trực tiếp điều khiển robot từ xa thường được gọi là Teleoperation.
Kết quả là chúng ta có những cặp dữ liệu:
Robot nhìn thấy gì → Con người đã điều khiển robot làm gì.
Mô hình học từ rất nhiều ví dụ như vậy để dự đoán hành động phù hợp khi gặp tình huống mới. Việc sử dụng demonstration data từ robot thật hoặc teleoperation hiện là một phần của nhiều workflow huấn luyện robot.
Human Operator → Robot → Camera + Sensor → Dataset → Training → Robot Policy
Ở đây có một thuật ngữ quan trọng: Policy.
Có thể hiểu đơn giản, Policy là “cách robot quyết định hành động”.
Đầu vào: Robot đang nhìn thấy gì?
Đầu ra: Robot nên làm gì tiếp theo?
Khi robot bắt đầu hiểu cả hình ảnh và ngôn ngữ
Một hướng đang được quan tâm trong robotics là VLA – Vision-Language-Action.
Tên nghe khá kỹ thuật nhưng ý tưởng rất dễ hiểu:
Vision – nhìn hình ảnh.
Language – hiểu yêu cầu bằng ngôn ngữ.
Action – tạo ra hành động.
Ví dụ con người nói:
“Lấy chai nước màu xanh đặt vào chiếc hộp bên phải.”
Robot cần hiểu câu nói, tìm đúng chai nước trong hình ảnh và cuối cùng tạo ra chuỗi hành động để hoàn thành yêu cầu.
Đó chính là cách ba phần Vision – Language – Action được nối với nhau. Các hệ thống robot thế hệ mới đang nghiên cứu chính khả năng kết hợp nhận thức, suy luận và hành động này.
Không thể bắt robot thử mọi thứ ngoài đời thật
Có một vấn đề rất thực tế.
Thu thập dữ liệu bằng robot thật tốn thời gian. Robot có thể hỏng. Vật thể phải được đặt lại sau mỗi lần thử. Một số tình huống nguy hiểm cũng không thể thử hàng nghìn lần.
Vì vậy robotics sử dụng Simulation – môi trường mô phỏng.
Có thể hình dung nó giống một “thế giới ảo dành cho robot”.
Trong đó chúng ta tạo robot, bàn, hộp, vật thể, camera, ánh sáng và các quy luật vật lý.
Robot có thể thử một hành động hàng nghìn lần mà không làm hỏng robot thật.
REAL WORLD → DATA → SIMULATION → TRAINING → REAL ROBOT
Nhưng mô phỏng không bao giờ giống thế giới thật 100%.
Khoảng cách giữa hai môi trường này được gọi là Sim-to-Real Gap.
Một kỹ thuật thường được sử dụng để giảm khoảng cách đó là Domain Randomization.
Thay vì mô phỏng một căn phòng hoàn hảo, hệ thống chủ động thay đổi ánh sáng, màu sắc, vị trí vật thể, góc camera hoặc một số đặc tính vật lý.
Robot vì thế phải học trong nhiều điều kiện khác nhau thay vì “học thuộc” một môi trường duy nhất. Đây là một trong những kỹ thuật đã được sử dụng để giúp policy học trong simulation chuyển sang robot thực tốt hơn.
Dữ liệu thật và dữ liệu mô phỏng sẽ đi cùng nhau
Một hướng phát triển đáng chú ý là kết hợp:
Real Data + Synthetic Data + Simulation.
Real Data là dữ liệu thu từ thế giới thật.
Synthetic Data là dữ liệu được tạo ra bằng máy tính hoặc mô hình sinh.
Simulation cung cấp môi trường để robot thử nghiệm và học với quy mô lớn.
Những workflow Physical AI mới đang kết hợp chính các thành phần này để tạo dữ liệu, huấn luyện, đánh giá và đưa policy từ môi trường ảo lên robot thật.
Vì thế, khi nhìn một robot thực hiện thành công một hành động chỉ trong vài giây, phần chúng ta thấy thực ra chỉ là đoạn cuối của cả một quá trình dài:
Thu thập dữ liệu → Huấn luyện → Mô phỏng → Thử nghiệm → Đánh giá → Robot thật.
Robot thông minh hơn không chỉ nhờ một mô hình AI lớn hơn.
Nó còn cần dữ liệu tốt hơn, nhiều trải nghiệm hơn và một quy trình giúp những gì học được trong máy tính thực sự hoạt động ngoài đời thật.