1

ربات‌ها مدت‌هاست که در زمینه انعطاف‌پذیری دچار مشکل بوده‌اند. تا به امروز، حتی پیشرفته‌ترین سیستم‌های رباتیک نیز برای انجام وظایف پایه‌ای نیازمند حجم عظیمی از داده و دستورالعمل‌های دقیق بوده‌اند.

اگر یک ربات ابزاری را رها می‌کرد یا نمی‌توانست اسکریپت را به طور دقیق دنبال کند، معمولاً دچار اختلال یا شکست کامل می‌شد. اما اکنون یک پیشرفت نوآورانه از دانشگاه کرنل ممکن است این وضعیت را به طور کامل تغییر دهد.

معرفی فناوری RHyME

چارچوب جدید یادگیری با کمک هوش مصنوعی

تیمی از دانشمندان علوم کامپیوتر اخیراً چارچوبی جدید به نام RHyME (بازیابی برای تقلید ترکیبی تحت اجرای نامتناسب) توسعه داده‌اند. این فناوری به ربات‌ها اجازه می‌دهد وظایف پیچیده و چندمرحله‌ای را تنها با تماشای یک نمایش انسانی بیاموزند، حتی اگر شیوه اجرای انسان با ربات‌ها تفاوت چشمگیری داشته باشد.

الهام از رفتار انسانی

کوشال کدیا، دانشجوی دکترای علوم کامپیوتر در دانشگاه کرنل و نویسنده اصلی این مطالعه، توضیح داد:
«یکی از چیزهای آزاردهنده در کار با ربات‌ها جمع‌آوری حجم زیادی از داده‌ها برای انجام وظایف مختلف است. این شیوه‌ای نیست که انسان‌ها کارها را انجام می‌دهند. ما به دیگران نگاه می‌کنیم و الهام می‌گیریم.»

کدیا قصد دارد یافته‌های تیم را در کنفرانس بین‌المللی IEEE در زمینه رباتیک و اتوماسیون در آتلانتا ارائه کند. این یافته‌ها می‌توانند شیوه آموزش ربات‌ها را به طور بنیادی تغییر دهند.

گذر از اسکریپت‌های کامل به تطبیق عملی

مشکلات گذشته در آموزش ربات‌ها

برای دهه‌ها، یادگیری ربات‌ها به شدت وابسته به تقلید بوده است. در روش موسوم به «یادگیری تقلیدی»، ربات‌ها با تماشای نمایش‌های انسانی مهارت‌های جدید کسب می‌کنند.
با این حال، این آموزش‌ها نیاز به اجرای بسیار کنترل‌شده داشتند. حرکات انسانی باید روان، دقیق و یکدست می‌بودند تا ربات‌ها بتوانند آن‌ها را تقلید کنند. کوچک‌ترین انحراف منجر به شکست می‌شد.

چالش حرکات غیرقابل پیش‌بینی انسان

سانجیبان چودهوری، نویسنده ارشد و استادیار علوم کامپیوتر در کالج آن اس. باورز دانشگاه کرنل، گفت:
«کار ما مانند ترجمه از زبان فرانسوی به انگلیسی است – ما در حال ترجمه هر وظیفه‌ای از انسان به ربات هستیم.»

اما یک چالش بزرگ وجود دارد: حرکات انسان‌ها بسیار سیال و غیرقابل پیش‌بینی است. رفتارهای انسانی اغلب به شکلی انجام می‌شوند که تقلید آن‌ها برای ربات‌ها آسان نیست.
آموزش ربات‌ها با استفاده از ویدیوها نیز معمولاً به حجم عظیمی از تصاویر نیاز داشت تا حتی اندکی موفقیت حاصل شود.
این ناهماهنگی میان رفتار انسان و ساختار ربات‌ها مدت‌هاست که مانعی بزرگ بوده است.

چودهوری افزود:
«اگر انسان حرکتی متفاوت با ربات انجام دهد، روش‌های قدیمی بلافاصله شکست می‌خورند. سوال ما این بود: آیا می‌توانیم روشی اصولی برای مقابله با این ناهماهنگی پیدا کنیم؟»

حافظه هوشمندتر برای ماشین‌های هوشمندتر

عملکرد RHyME چگونه است؟

RHyME برای غلبه بر این چالش دیرینه طراحی شده است. به جای تلاش برای تقلید گام به گام از حرکات انسانی، این سیستم ربات‌ها را به نوعی «حافظه مبتنی بر عقل سلیم» مجهز می‌کند.

هنگامی که ربات وظیفه‌ای را مشاهده می‌کند – مانند قرار دادن یک ماگ در سینک – می‌تواند حرکات مرتبط از آرشیو ویدیویی خود را به یاد آورده و تطبیق دهد، مثل گرفتن یک شیء متفاوت یا انجام حرکتی مشابه با بازو.

اتصال نقاط پراکنده با یادگیری ترکیبی

این فرآیند به ربات‌ها امکان می‌دهد «نقاط مختلف را به هم متصل کنند»، حتی زمانی که نمایش انسانی دقیقاً با مکانیک ربات مطابقت نداشته باشد.
RHyME در اصل به ربات‌ها اجازه می‌دهد رفتارهای جدید را با ترکیب خلاقانه نمونه‌های گذشته بسازند.

نتایج آزمایشگاهی امیدوارکننده

در آزمایش‌های آزمایشگاهی، ربات‌هایی که با RHyME آموزش دیده بودند بیش از ۵۰٪ بهبود در نرخ موفقیت وظایف نسبت به تکنیک‌های سنتی نشان دادند.
حتی جالب‌تر اینکه RHyME این موفقیت را تنها با ۳۰ دقیقه داده‌ی اختصاصی برای ربات به دست آورد، در حالی که روش‌های قدیمی به هزاران ساعت عملیات از راه دور نیاز داشتند.

چودهوری اظهار داشت:
«این کار نقطه عطفی در برنامه‌ریزی ربات‌ها است. وضعیت فعلی هزاران ساعت عملیات برای آموزش هر کار است که غیرممکن به نظر می‌رسد. با RHyME، ما در حال حرکت به سوی آموزش ربات‌ها به شیوه‌ای مقیاس‌پذیرتر هستیم.»

گامی به سوی ربات‌های خانگی

آینده ربات‌های کمکی خانگی

هرچند ربات‌های خانگی برای مصرف‌کنندگان هنوز رویایی دوردست به نظر می‌رسند، اما RHyME گامی بزرگ در این مسیر است.
توانایی ربات‌ها برای یادگیری سریع و انعطاف‌پذیر با مشاهده تنها یک ویدیو از انسان‌ها می‌تواند در آینده این ربات‌ها را عملی‌تر، مقرون به صرفه‌تر و در دسترس‌تر کند.

کاربردهای گسترده در صنعت

با رشد روزافزون اتوماسیون در زندگی روزمره، سیستم‌هایی مانند RHyME می‌توانند آموزش ربات‌ها را در صنایع مختلف تسهیل کنند.
از مراقبت از سالمندان گرفته تا لجستیک انبارها، این ربات‌های هوشمندتر می‌توانند با محیط‌های واقعی که ذاتاً پویا هستند با نظارت انسانی کمتری سازگار شوند.

چشم‌اندازهای آینده

در حال حاضر، محققان به توسعه بیشتر RHyME و بررسی قابلیت گسترش آن به وظایف پیچیده‌تر ادامه می‌دهند.
اما نکته اصلی همچنان پابرجاست: به جای مجبور کردن ربات‌ها به تقلید دقیق از انسان، می‌توانیم به آن‌ها یاد بدهیم که از انسان‌ها الهام بگیرند – درست مانند الهامی که ما از یکدیگر می‌گیریم.