الگوریتم جدید MIT ربات‌ها را به اندازه‌ای هوشمند می‌سازد که بتوانند در محیط‌های جدید تطبیق و برتری یابند
در یک پیشرفت که به نظر مستقیماً از داستان‌های علمی تخیلی می‌آید، تیمی از ذهن‌های نوآور در آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) به همراه موسسه AI، اخیراً راه‌حلی شگفت‌انگیز معرفی کرده‌اند که قرار است نحوه انطباق و ارتقاء عملکرد ربات‌ها در محیط‌های جدید را انقلابی کند.
این پیشرفت پیشگامانه راه را برای ربات‌ها هموار می‌کند تا به‌طور یکپارچه تطبیق یابند و بهبود یابند، و آینده هیجان‌انگیزی از یکپارچگی فناوری رباتیک در زندگی روزمره ما وعده می‌دهد.
در کنفرانس علوم و سیستم‌های رباتیک ماه گذشته، محققان الگوریتم «تخمین، برون‌یابی و استقرار» (EES) را معرفی کردند که به ربات‌ها اجازه می‌دهد به‌طور خودکار مهارت‌های خود را بیاموزند و بهبود بخشند.
این روش نوآورانه می‌تواند به‌طور قابل توجهی کارآیی را در محیط‌های مختلف، از کارخانه‌ها تا خانه‌ها و بیمارستان‌ها، افزایش دهد.
بهبود عملکرد ربات‌ها در محیط کار
برای بهبود عملکرد وظایفی مانند جارو کردن کف، EES از سیستمی دیداری استفاده می‌کند که محیط ربات را شناسایی و پیگیری می‌کند.
این الگوریتم سپس تخمین می‌زند که ربات چقدر به‌طور قابل اطمینان یک عمل را انجام می‌دهد، مانند جارو کردن، و تعیین می‌کند که آیا تمرین بیشتر ارزشمند است یا خیر.
EES عملکرد ربات را در کل وظیفه پس از بهبود مهارت و تمرین پیش‌بینی می‌کند.
پس از هر تلاش، سیستم دیداری بررسی می‌کند که آیا مهارت به درستی اجرا شده است یا خیر. EES می‌تواند در بیمارستان‌ها، کارخانه‌ها، خانه‌ها یا کافی‌شاپ‌ها مفید باشد.
به گفته نیشانت کومار و همکارانش، با استفاده از چندین آزمایش تمرینی، EES می‌تواند به ربات کمک کند بدون دخالت انسان بهبود یابد.
«با ورود به این پروژه، ما می‌خواستیم بدانیم آیا این تخصص در تعداد نمونه‌های معقول برای یک ربات واقعی ممکن است یا خیر،» کومار، نویسنده مشترک مقاله‌ای که کار را توصیف می‌کند و دکتری در مهندسی برق و علوم کامپیوتر هست و عضو CSAIL می‌گوید.
«اکنون، ما الگوریتمی داریم که به ربات‌ها امکان می‌دهد در مدت زمان معقول با ده‌ها یا صدها نقطه داده به‌طور معناداری بهتر شوند، که بهبود بزرگی است نسبت به هزاران یا میلیون‌ها نمونه که یک الگوریتم یادگیری تقویت استاندارد نیاز دارد.»
نتایج امیدوارکننده
توانایی EES در یادگیری کارآمد زمانی به نمایش گذاشته شد که در آزمایش‌های تحقیقاتی روی ربات چهارپای Boston Dynamics Spot در موسسه AI استفاده شد.
ربات که یک بازو به عقب خود متصل داشت، وظایف مانور را پس از چند ساعت تمرین به پایان رساند.
در یک نمایش، ربات یاد گرفت که چگونه یک توپ و حلقه را روی یک میز شیب‌دار در حدود سه ساعت به درستی قرار دهد.
در نمایشی دیگر، الگوریتم به ماشین کمک کرد تا در حدود دو ساعت بهبود یابد تا اسباب‌بازی‌ها را درون یک سطل جارو کند.
هر دو نتیجه بهبود بزرگتری بودند نسبت به چارچوب‌های قبلی که احتمالاً بیش از 10 ساعت به ازای هر وظیفه نیاز داشتند.
«ما هدف داشتیم که ربات تجربه‌های خود را جمع‌آوری کند تا بتواند بهتر انتخاب کند که کدام استراتژی‌ها در اجرای آن بهترین عمل را خواهند داشت،» می‌گوید تام سیلور، نویسنده مشترک و دکترای مهندسی برق و علوم کامپیوتر و عضو CSAIL که اکنون استاد کمکی در دانشگاه پرینستون است.
«با تمرکز بر آنچه که ربات می‌داند، به دنبال پاسخ دادن به یک سؤال کلیدی بودیم: در کتابخانه مهارت‌هایی که ربات دارد، کدام یک از آن‌ها بیشترین فایده را برای تمرین دارد؟»
EES می‌تواند نهایتاً به تمرین خودکار در محیط‌های جدید کمک کند، اما برای حالا چندین محدودیت دارد.
برای شروع، آن‌ها از میزهایی که نزدیک به زمین بودند استفاده کردند، که باعث می‌شد ربات اشیای خود را بهتر ببیند. کومار و سیلور همچنین یک دسته قابل اتصال سه‌بعدی چاپ کردند که گرفتن برش را برای Spot آسان‌تر کرد.
ربات برخی از اشیاء را شناسایی نکرد و اشیاء را در مکان‌های اشتباه شناسایی کرد، بنابراین محققان این خطاها را به عنوان شکست‌ها شمارش کردند.
