MIT ve diğer araştırma kurumlarından bilim insanları, insansı robotların işbirliği gerektiren manipülasyon görevlerini öğrenmesi için çığır açan bir yöntem geliştirdi. SynAgent olarak adlandırılan bu sistem, robotik alanının en büyük zorluklarından birini ele alıyor: veri kıtlığı ve çoklu robot koordinasyonu.
Geleneksel yaklaşımlar, robotlara işbirliği yapmayı öğretmek için büyük miktarda çoklu robot verisi gerektiriyor. Ancak SynAgent, bambaşka bir strateji benimsiyor. Sistem önce bol miktardaki tek robot verilerini kullanarak, bir robotun insan-nesne etkileşimlerini öğrenmesini sağlıyor. Daha sonra bu bilgiyi, birden fazla robotun koordineli çalışması gereken senaryolara aktarıyor.
Araştırmacılar, bu transfer işleminde kritik bir sorunla karşılaştı: robotlar ve nesneler arasındaki uzamsal ilişkilerin bozulması. Bu problemi çözmek için, Delaunay tetrahedralization tekniği kullanarak 'Interact Mesh' adlı özel bir yapı geliştirdiler. Bu yapı, hareket aktarımı sırasında insanlar ve nesneler arasındaki mekansal ilişkileri koruyarak, gerçekçi işbirliği davranışları üretilmesini sağlıyor.
SynAgent'in en büyük avantajı, farklı nesneler ve görevler arasında genelleştirilebilir olması. Sistem, tek robot eğitimi ve adaptasyon paradigması sayesinde, sınırlı veriden maksimum öğrenme elde ediyor. Bu yaklaşım, gelecekte ev robotları ve endüstriyel otomasyon sistemlerinde devrim yaratabilir.