استثمار روبات‌ها با هوش مصنوعی

آی‌تی‌من- اغلب روبات‌هایی که امروزه می‌بینیم، می‌توانند وظایف خاصی را با دخالت اندک انسان انجام دهند. به عنوان مثال، یک بازوی روباتیک وجود دارد که می‌تواند گوجه فرنگی را از مزارع برداشت کند. این روبات با محیط خود در تعامل است تا وظیفه چیدن گوجه فرنگی را انجام دهد که به آن «دستکاری روباتیک» می‌گویند.

با این حال، ماشین‌ها اغلب با محدودیت‌های هندسی و فیزیکی مانند پایداری و عدم برخورد با موانع مواجه هستند. پژوهشگران مؤسسه فناوری ماساچوست (MIT) برای اجتناب از این محدودیت‌ها، مدل‌های مختلفی را با هم ترکیب کرده‌اند که هر کدام به نوع متفاوتی به استقبال رفع این محدودیت‌ها می‌رفتند تا مدل جدیدی را ایجاد کنند که بتواند راه‌حل‌هایی را به طور جمعی پیدا کند.
 
حل مشکلات بسته‌بندی
این مدل که «حل‌کننده محدودیت پیوسته انتشار ترکیبی»(Diffusion-CCSP) نامیده می‌شود، خانواده‌ای از مدل‌های انتشار را یاد می‌گیرد و نوعی از مدل‌های هوش مصنوعی مولد است که با هم آموزش داده می‌شوند. بنابراین دانش‌هایی مانند هندسه اشیا را که روبات‌ها با آن‌ها چالش دارند، می‌آموزد.

روش پژوهشگران از هوش مصنوعی مولد برای کمک به روبات‌ها در حل مشکلات حمل و نقل مانند برخورد با موانع و پایداری استفاده می‌کند. این در حالی است که راه حل‌های سنتی برای رفع این مشکلات، زمان‌بر هستند.
ژوتیان یانگ، دانشجوی کارشناسی ارشد مهندسی برق و علوم کامپیوتر و نویسنده اصلی این مطالعه می‌گوید: دیدگاه من این است که روبات‌ها را به انجام وظایف پیچیده‌تر که دارای محدودیت‌های هندسی زیادی هستند و تصمیمات مستمرتری که باید گرفته شوند، سوق دهم. این‌ها انواع مشکلاتی هستند که روبات‌های خدماتی در محیط‌های انسانی بدون ساختار و متنوع ما با آن روبه‌رو هستند.

وی افزود: اکنون با ابزار قدرتمند مدل‌های انتشار ترکیبی می‌توانیم این مسائل پیچیده‌تر را حل کنیم و نتایج عالی به دست آوریم.
 
در نظر گرفتن همه محدودیت‌ها به طور همزمان
انگیزه اصلی پژوهشگران حل مشکلات فرعی بود که در طول برنامه‌ریزی کلی روبات ایجاد می‌شود. پژوهشگران این موضوع را در بیانیه مطبوعاتی خود با استفاده از مثال بسته‌بندی و کنار هم قرار دادن قطعات در یک خودرو توضیح دادند. آنها گفتند که یک محدودیت ممکن است نیاز به یک شیء خاص در کنار یک شیء دیگر داشته باشد، در حالی که محدودیت دوم ممکن است مشخص کند که یکی از آن اشیا باید در کجا قرار گیرد. پژوهشگران با Diffusion-CCSP می‌خواستند به هم پیوستگی محدودیت‌ها را به تصویر بکشند.

یانگ افزود: ما همیشه در اولین حدس به یک راه حل نمی‌رسیم. اما وقتی راه حل را اصلاح می‌کنید و مشکلی رخ می‌دهد، باید شما را به راه حل بهتری برساند. شما با اشتباه کردن راهنمایی می‌شوید.

وی توضیح داد که آموزش مدل‌های فردی، زمان‌بر و پرهزینه است و به داده‌های آموزشی زیادی نیاز دارد. تیم او یک رویکرد جایگزین پیدا کرد. آنها از الگوریتم‌های سریع برای تولید جعبه‌های تقسیم‌بندی شده استفاده کردند و مجموعه متنوعی از اشیاء سه‌بعدی را در هر بخش قرار دادند و از بسته‌بندی محکم، حالت‌های پایدار و راه‌حل‌های بدون برخورد اطمینان حاصل کردند.

یانگ می‌گوید: با این فرآیند، تولید داده در شبیه‌سازی تقریباً آنی است. ما می‌توانیم ده‌ها هزار محیط ایجاد کنیم که بدانیم مشکلات آن قابل حل هستند.

یانگ و تیمش امیدوارند مدل خود را در موقعیت‌های پیچیده‌تر بدون نیاز به آموزش داده‌های جدید آزمایش کنند.

این مطالعه در پایگاه Arxiv منتشر شده است.