روبات‌ها به لطف هوش مصنوعی در محیط‌های نا آشنا کار می‌کنند

به گزارش پیوست، حوزه روباتیک یکی از اهداف بزرگ خود را تحقق این هدف در مقیاس بزرگ و برای تمام وظایف می‌داند. روبات‌ها در حال حاضر قادر به انجام فعالیت‌های مختلفی هستند اما تنها در محیطی که براساس آن آموزش دیده‌اند و برای فعالیت در یک محیط جدید،‌ به داده‌ها تازه و آموزش مجدد نیاز دارند. در صورت از بین رفتن این مانع، راه‌های بسیاری پیش روی فعالان روباتیک قرار می‌گیرد.

محققان برای این کار چند مدل هوش مصنوعی توسعه داده‌اند که به روبات‌ها یاد می‌دهد وظایف معمولی را بدون نیاز به اصلاح یا آموزش اضافی در محیط جدید انجام دهند. ماشین‌ها با استفاده از این پنج مدل هوش مصنوعی که مدل‌های کاربرد‌پذیری روبات (RUM) نام‌گذاری شده‌اند، می‌توانند پنج وظیفه جداگانه (باز کردن در و کشو‌ها، برداشتن دستمال، کیف و اشیا استوانه‌ای) را با نرخ موفقیت ۹۰ درصد در محیط‌های نا آشنا انجام دهند.

این تیم که پژوهشگرانی از دانشگاه نیویورک، شرکت متا و یک شرکت روباتیک به نام Hello Robot، در آن حضور دارند امیدوار است که یافته‌هایش باعث شوند،‌ آموزش مهارت‌های جدید به روبات‌ها سریع‌تر ساده‌تر شود و همچنین امکان فعالیت در حوزه‌های جدید را پیدا کنند. این دیدگاه شاید استفاده از روبات‌ها در خانه‌هایمان را نیز آسان‌تر و ارزان‌تر کند.

ماهی شفیع‌الله، دانشجوی PhD دانشگاه نیویورک که روی این پروژه کار کرده است، می‌گوید: «در گذشته مردم تا حد زیادی روی مساله چطور می‌توان کاری کرد تا روبات همه کاری انجام دهد؟ تمرکز داشتند و نمی‌پرسیدند که چطور می‌توان کاری کرد تا روبات‌ها یک سری کارها را که قادر به انجام آن هستند، در همه جا انجام دهند؟ ما روی این تمرکز کردیم که برای مثال یک روبات بتواند در را در هر محیطی باز کند.»

آموزش مهارت‌های جدید به روبات معمولا نیاز حجم زیادی داده است و جمع‌آوری آن بسیار دشوار است. از آنجایی که داده آموزشی روبات را باید به صورت فیزیکی جمع‌آوری کرد (فرایندی زمان‌بر و پر هزینه)،‌ساخت و توسعه دیتاست‌های آموزشی برای روبات‌ها دشوار‌تر از مدل‌های هوش مصنوعی از جمله مدل‌های زبانی است که براساس داده‌های اینترنت آموزش می‌بینند.

محققان برای جمع‌آوری سریع داده‌های اساسی در آموزش مهارت‌های جدید، نسخه‌ای جدید از یک ابزار قدیمی را توسعه دادند: یک آیفون متصل به یک دسته گیره که معمولا از آن برای برداشتن زباله استفاده می‌شود.

این تیم با همین تنظیمات حدود ۱۰۰۰ حالت در ۴۰ محیط مختلف از جمله خانه‌هایی در نیویورک و جرزی را برای هر پنج وظیفه به ثبت رساندند. سپس الگوریتم‌های هوش مصنوعی را براساس پنج دیتاست آموزش دادند تا به پنج مدل RUM برسند.

این مدل‌ها برای Stretch،‌ روباتی متشکل از یک بخش چرخ‌دار، یک ستون بلند و یک بازوی جمع‌شونده که آیفونی را نگاه می‌دارد، استفاده شدند تا نرخ موفقیت آن در محیط‌های جدید و بدون اصلاحات اضافی ارزیابی شود. اگرچه در این آزمایش به نرخ تکمیل ۷۴.۴ درصدی رسیدند، ‌اما محققان با تصویربرداری از آیفون و دوربین تعبیه شده روی سر روبات و تحویل آن به مدل GPT-4o از اوپن‌ای‌آی و طرح این سوال که آیا وظیفه به طور موفق انجام گرفته است،‌ توانستند نرخ موفقیت را به ۹۰ درصد افزایش دهند. اگر پاسخ GPT-4o منفی بود، آنها روبات را مجدد راه‌اندازی کرده و دوباره امتحان می‌کردند.

موهیت شریدر، متخصص دستکاری روبات که البته دخالتی در این تحقیقات نداشته است می‌گوید یک چالش مهم در حوزه روباتیک این است که آموزش و آزمایش مدل‌ها در محیط آزمایش‌گاهی با آنچه در جهان واقعی رخ می‌دهد تفاوت دارد و در نتیجه از تحقیقاتی که فعالیت ماشین در محیط‌های جدید را تسهیل کند استقبال می‌شود.

او می‌گوید: «اینکه ارزیابی در این خانه‌ها و آشپزخانه‌های متفاوت انجام گرفته جالب است زیرا اگر کاری کنید که روبات در یک خانه تصادفی و در محیط آزاد کار کند، این را می‌توان هدف واقعی روباتیک دانست.»

این پروژه می‌تواند دستور کاری برای ساخت دیگر مدل‌های کاربردپذیری روابت باشد تا روبات‌ها بتوانند با کمی کار، مهارت جدید بیاموزند و افرادی که آموزش لازم در حوزه روباتیک ندیده‌اند بتوانند از آنها در خانه‌هایشان استفاده کنند.

شیفع‌الله می‌گوید: «رویای نهایی ما این است که بتوانیم چیزی را آموزش دهیم، در اینترنت بگذاریم و شما بتوانید آن را دانلود و روی روباتی که در خانه دارید اجرا کنید.»