- در پیشرفتی که مستقیماً از داستان های علمی تخیلی به نظر می رسد، تیمی از ذهن های مبتکر در آزمایشگاه علوم رایانه و هوش مصنوعی MIT (CSAIL) به همراه مؤسسه هوش مصنوعی، اخیراً راه حل فوق العاده ای را ارائه کرده اند تا روشی را که روبات ها عادت می کنند و ارتقاء می دهند را متحول کند. عملکرد در محیط های جدید این پیشرفت پیشگام، راه را برای رباتها برای سازگاری و بهبود یکپارچه هموار میکند و نویدبخش آیندهای هیجانانگیز از ادغام فناوری رباتیک در زندگی روزمره ما است.
در کنفرانس علوم و سیستمهای رباتیک ماه گذشته، محققان الگوریتم «Estimate, Extrapolate, and Situate» (EES) را ارائه کردند که به روباتها امکان میدهد مهارتهای خود را به طور مستقل یاد بگیرند و بهبود بخشند.
این رویکرد نوآورانه این پتانسیل را دارد که به طور قابل توجهی کارایی را در محیط های مختلف، از کارخانه ها گرفته تا خانه ها و بیمارستان ها افزایش دهد.
بهتر شدن ربات ها در محل کار
برای بهبود عملکرد کارهایی مانند جارو کردن کف، EES از یک سیستم بینایی استفاده می کند که محیط ربات را شناسایی و نظارت می کند.
سپس الگوریتم تخمین می زند که ربات تا چه حد قابل اعتماد عملی مانند جارو زدن را انجام می دهد و تعیین می کند که آیا تمرین بیشتر ارزش دارد یا خیر.
EES عملکرد ربات را در کار کلی پس از اصلاح مهارت و تمرین پیش بینی می کند.
پس از هر تلاش، سیستم بینایی بررسی می کند که آیا مهارت به درستی انجام شده است یا خیر. EES می تواند در بیمارستان ها، کارخانه ها، خانه ها یا کافی شاپ ها مفید باشد.
اکنون، ما الگوریتمی داریم که رباتها را قادر میسازد تا در یک زمان معقول با دهها یا صدها نقطه داده، بهطور معناداری در مهارتهای خاص بهتر شوند، ارتقایی از هزاران یا میلیونها نمونه که یک الگوریتم یادگیری تقویتی استاندارد به آن نیاز دارد.»
نتایج امیدوار کننده
استعداد EES برای یادگیری کارآمد زمانی نشان داده شد که در آزمایشات تحقیقاتی روی چهارپا Boston Dynamics Spot در موسسه هوش مصنوعی مورد استفاده قرار گرفت.
این ربات که یک بازو به پشتش بسته بود، پس از چند ساعت تمرین، کارهای دستکاری را انجام داد.
در الگوریتمی دیگر، این الگوریتم ماشین را هدایت کرد تا ظرف دو ساعت اسباببازیها را در سطل زباله جارو کند.
هر دو نتیجه ارتقای چارچوب های قبلی هستند که احتمالاً بیش از 10 ساعت برای هر کار طول می کشد.
نویسنده همکار تام سیلور SM ’20، دکترای ’24، مهندسی برق و علوم کامپیوتر (EECS) میگوید: «هدف ما این بود که ربات تجربیات خود را جمعآوری کند تا بتواند بهتر انتخاب کند که کدام استراتژی در استقرار آن به خوبی کار میکند. فارغ التحصیل و وابسته به CSAIL که اکنون استادیار دانشگاه پرینستون است.
“با تمرکز بر آنچه که ربات می داند، ما به دنبال پاسخ به یک سوال کلیدی بودیم: در کتابخانه مهارت هایی که ربات دارد، کدام مهارت در حال حاضر برای تمرین مفیدتر است؟”
برای شروع، آنها از میزهایی استفاده کردند که تا سطح زمین پایین بودند، که باعث می شد ربات اشیاء خود را راحت تر ببیند. کومار و سیلور همچنین یک دسته قابل اتصال را چاپ سه بعدی کردند که گرفتن قلم مو را برای Spot آسانتر میکرد.