Bloğa yaklaşmak, bloktan kaçınmak

Bir robotun hedefi değişiyor; önündeki dünya aynı kalıyor. AnyGoal çalışmasının Push-T örneğinde eğitim hareketleri, robotu iteceği bloğa yaklaştırıyor. Avoid-T çeşidinde ise aynı iki boyutlu hareketler bloğa çarpmadan ilerlemek için gerekli. Yeni bir motor ya da yeni bir fizik yasası eklenmiyor. Değişen, tanıdık hareketin hangi durumda istendiği. Heejeong Nam ve çalışma arkadaşlarının sorusu bu yüzden ilginç: model, kendisine verilen hareketin sonucunu mu öğrenmiş, yoksa uzman gösterimlerinde o konumdan sonra genellikle ne olduğunu mu? Bu iki açıklama eğitim görevinde aynı görüntüyü üretebilir.[1]

Benim için bu sınamanın asıl katkısı, tanıdık sözcüğünün içini açması. Konumlar ayrı ayrı görülmüş, hareketler ayrı ayrı yapılmış olabilir; aynı konumda o hareketin örneği eksik kalabilir. AnyGoal, eğitimde görülen öğelerin yeni birleşimlerini hedefliyor. Çalışma, 4 temel görevden türetilen 8 çeşit ve her çeşitte 400 bölüm sunuyor. Durum öğelerinin eğitim kapsamı içinde kaldığını denetlemek, başarısızlığı doğrudan bambaşka bir fizik ortamına bağlamayı zorlaştırıyor. Buna karşılık bu denetim, bütün ortak durumların tanıdık olduğunu iddia etmiyor. Ölçülmek istenen boşluk zaten orada.[1]

Görüntüyü kaldırınca kalan sorun

Görsel girdi bu karşılaştırmaya başka bir açıklama ekliyor. Tanıdık nesne ve konumların yeni birleşimi, modelin bütün olarak görmediği bir görüntü oluşturabilir. Bu durumda sorun hareket kuralından önce görüntünün temsilinde başlayabilir. Araştırmacılar, bazı kestiricilere gerçek durum bilgisini doğrudan vererek bu aşamayı devreden çıkarıyor. Serbest hareket çeşitlerinde planlama korunabilirken, nesneyle temas gerektiren çeşitlerde bozulma sürebiliyor. Dolayısıyla çalışmanın bulgusu tek bir genel başarısızlık oranından daha ayrıntılı: görüntü temsili ile durum geçişini öğrenme, aynı engel olarak ele alınamıyor.[1]

Bu karşılaştırma, her hatanın uzman davranışını taklit etmekten doğduğunu kesinleştirmiyor. Temaslı hareketler daha hassas bir kestirim gerektirebilir; serbest alanda hedefe ulaşan çok sayıda yol varken, bir nesneyi doğru itmek daha dar bir hareket dizisi isteyebilir. Makale de kestirim hatası ile planlama başarısının bazı görevlerde ayrıştığını belirtiyor. Küçük görünen bir görüntü hatası görevi bozabilir; buna karşılık kusurlu bir ara yol yine de hedefe ulaşabilir. Bu nedenle iki ölçümü birlikte okumak, birinin bütün yeteneği temsil ettiğini varsaymaktan daha açıklayıcı.[1]

Hareketi değiştirip dünyayı sabitlemek

Çalışmanın başka bir deneyi, aynı durumu sabit tutup modele verilen hareketi değiştiriyor. Modelin öngörüsü çok az değişiyorsa, o bölgede alışılmış devamı izliyor olabileceğine ilişkin bir işaret elde ediliyor. Yazarlar, uzman hareketlerinin belirli bir hedefe sıkı biçimde yöneldiği bölgelerde bu duyarlılığın azaldığını bildiriyor. Ancak düşük duyarlılık tek başına yanlış sonuç demek değil; bazı hareketlerin gerçekten benzer etkileri olabilir. Bu müdahalenin değeri, yalnızca güzel görünen bir devam videosuna bakmak yerine, verilen komutun kestirimde ne ölçüde yer tuttuğunu sorması.[1]

AnyGoal henüz bir ön çalışma; seçilmiş benzetim görevlerinin dışına taşan güvenilirlik kanıtı sunmuyor. Yine de araştırmacıya yararlı bir ayrım veriyor: yeni hedefteki hata, algılanan durumdan mı, öğrenilen hareket ilişkisinden mi, yoksa planlama ölçütünün görev yapısından mı kaynaklanıyor? Aynı görüntü altında farklı hareketleri ve aynı görevde doğrudan durum bilgisini karşılaştırmak bu açıklamaları ayırmaya yardımcı oluyor. Dünya modelinden beklenen yeniden kullanım, böylece soyut bir genellik iddiasından çıkarılıp belirli bir birleşim sorusuna bağlanıyor: bildiği parçaları, daha önce birlikte görmediği yerde kullanabiliyor mu?[1]