Nel campo della robotica, l’addestramento efficace dei robot rappresenta una sfida significativa, spesso limitata dalla complessità e dai costi associati alla raccolta di dati reali. Per affrontare questa problematica, un team di ricercatori del Massachusetts Institute of Technology (MIT) ha sviluppato “LucidSim”, un sistema innovativo che combina simulatori fisici con modelli di intelligenza artificiale generativa. Questo approccio consente la creazione di ambienti di addestramento virtuali altamente realistici, migliorando le capacità dei robot nel navigare e interagire con il mondo reale.
Tradizionalmente, l’addestramento dei robot richiede l’acquisizione di vasti set di dati reali, un processo spesso oneroso e dispendioso in termini di tempo. Sebbene i simulatori digitali offrano un’alternativa più economica, i robot addestrati esclusivamente in ambienti virtuali tendono a mostrare prestazioni inferiori quando operano nel mondo reale, a causa delle discrepanze tra i due contesti.
LucidSim affronta queste limitazioni integrando modelli di intelligenza artificiale generativa per creare dati di addestramento visivi che riflettono accuratamente le condizioni del mondo reale. Il processo inizia con l’utilizzo di modelli linguistici avanzati, come ChatGPT, per generare migliaia di descrizioni testuali dettagliate di ambienti che un robot potrebbe incontrare, ad esempio: “una strada fiancheggiata da negozi di artigianato tradizionale” o “un prato non curato con zone asciutte illuminate dal sole”. Queste descrizioni vengono poi trasformate in immagini attraverso modelli di IA generativa, che vengono ulteriormente arricchite con dati geometrici e fisici per creare brevi video che illustrano percorsi navigabili per i robot.
Per valutare l’efficacia di LucidSim, i ricercatori hanno addestrato un robot quadrupede a eseguire movimenti complessi, come superare ostacoli e salire scale, utilizzando esclusivamente dati generati dal sistema. I test hanno mostrato che il robot, senza alcun addestramento basato su dati reali, è stato in grado di eseguire con successo queste manovre. In particolare, in una serie di 20 prove, il robot ha individuato con successo un cono stradale in tutte le occasioni quando addestrato con LucidSim, rispetto al 70% di successo ottenuto con metodi tradizionali. Analogamente, nella ricerca di un pallone da calcio, il tasso di successo è stato dell’85% con LucidSim, contro il 35% dei metodi convenzionali.