Исследователи из Массачусетского технологического института (MIT) разработали метод, использующий диффузионную модель генеративного искусственного интеллекта, чтобы более эффективно решать задачу упаковки объектов с учетом множества ограничений. Эта задача имеет практическое применение в робототехнике, например, при упаковке багажа в багажнике автомобиля.
Суть метода заключается в том, что исследователи использовали набор моделей машинного обучения, где каждая модель представляет один тип ограничений, такие как геометрические ограничения, физические ограничения и качественные ограничения. Эти модели обучались на данных, представляющих собой решения задачи упаковки с учетом соответствующих ограничений.
Затем все модели объединялись, чтобы генерировать глобальные решения задачи упаковки, удовлетворяющие всем ограничениям одновременно. Этот метод позволял быстрее и эффективнее находить решения по сравнению с традиционными методами, которые пытаются последовательно удовлетворить каждое ограничение по отдельности.
Диффузионные модели могут работать с разными комбинациями ограничений и различными типами объектов, даже если модели не видели эти комбинации во время обучения. Это делает метод более универсальным и гибким.
Для обучения моделей диффузии использовались данные, созданные с использованием быстрых алгоритмов, которые создавали сегментированные блоки и размещали разнообразные 3D-объекты в каждом сегменте, обеспечивая их плотную упаковку и соблюдение всех ограничений. Эти данные затем использовались для обучения моделей.
Этот метод превосходил другие методы в экспериментах и позволял генерировать большее количество эффективных решений для задачи упаковки. Он также демонстрировал способность решать задачи с разными комбинациями ограничений, что делает его перспективным в робототехнике и других областях.
Исследователи также планируют расширить применение этого метода на более сложные сценарии, где роботы могут перемещаться и выполнять разнообразные манипуляции, а также стремятся сделать метод более обобщенным и способным к решению задач в различных областях без переобучения.