2024年11月5日，dig.watch报道，MIT新推出的HPT模型融合了多种数据来源，增强了机器人在不可预测环境中的适应能力，这种新的方法不再依靠传统的训练数据。
麻省理工学院（MIT）、机器人技术、训练
麻省理工学院（MIT）公布了一种新的机器人训练方法，该方法以类似于大型语言模型（LLMs）的方式扩展数据规模，标志着从机器人领域传统使用的狭窄、任务导向型数据集向更广泛数据集的转变。模仿学习，即机器人通过观察人类来学习，往往难以应对光照变化或意外障碍等新变量。通过采用类似于GPT-4等模型中使用的海量数据方法，MIT的研究人员旨在帮助机器人在不同环境中更加灵活地适应。
研究团队开发了一种名为异构预训练变换器（Heterogeneous Pretrained Transformers，HPT）的新架构，该架构结合了来自多个传感器和不同设置的信息，以构建稳健的训练模型。与大型语言模型中的趋势一致，更大的变换器带来了更好的结果，因为HPT整合了来自多个来源的数据，以实现机器人更灵活的响应。
最终，研究人员希望创建一个通用的“机器人大脑”，可以即插即用，无需额外训练。虽然该项目仍处于早期阶段，但已获得丰田研究院（Toyota Research Institute）的支持，该研究院最近与波士顿动力公司（Boston Dynamics）合作，将学习研究与先进机器人硬件相结合。
