متداول است که ربات را برای انجام کاری خاص برنامه ریزی می‌کنند. به عبارت دیگر برنامه‌ای متناسب با کاری که ربات قصد انجام آن را دارد نوشته می‌شود. باید گفت این ایده در عین کارایی تنها روش بهره بردن از کمک رباتیک نیست. رویکرد دیگری که پژوهشگران Embodied Intelligence را به خود جذب کرده، نوشتن برنامه‌ای است که به ربات اجازه دهد فرآیند انجام کار را بیاموزد. در این صورت این برنامه را می‌توان همواره و برای یادگیری انواع مهارت‌ها به کار برد. به عنوان نمونه، در این روش نیازی به تمیز دادن برنامه مربوط به بلند کردن اشیا و برنامه مخصوص جابه‌جایی اشیا نیست. بلکه یک برنامه واحد به ربات اجازه می‌دهد این دو را به عنوان دو مهارت بیاموزد. برای کسب اطلاعات بیشتر در این زمینه، به نوشتار حاضر از مجله فناوری‌ها پوشیدنی و توان افزا توجه فرمایید.
یادگیری ماشین چگونه به کارآیی بازوهای Embodied Intelligence کمک خواهد کرد
امروزه ماشین‌ها تا حدودی قادرند اشیا را با دست بگیرند و بلند کنند. حتی انجام کارها به کمک اشیا مختلف نیز بوسیله ماشین انجام می‌شود. مساله چگونگی بلند جسم است که خارج از محیط کنترل شده می‌تواند بسیار پیچیده باشد. در واقع علم رباتیک در حال حاضر قادر به انجام هر کاری هست، مشروط بر اینکه مراحل انجام کار، قدم به قدم شرح داده شود. به عبارت دیگر در صورتیکه مایل باشید یک ربات کاری را به دفعات برای شما انجام دهد، این مراحل باید در هر بار انجام کار تکرار شود. در کارخانه‌های ماشینی شده، این کار بدون مشکل انجام می‌شود. اما افزودن یک عملیات جدید به عملیات خوش تعریف پیشین مشکل آفرین است.
پژوهشگران برای رفع این مشکل سعی در خلق روش‌هایی دارند که بتواند به رباتها قدرت تصمیم‌گیری بدهد. به این صورت ربات به جای پیروی از دستورات تعریف شده می‌تواند عکس‌العمل خود را در مواجهه با موقعیت‌های مختلف ارزیابی کند. به این معنا پژوهشگران در تلاشند ربات‌هایی با مهارت و کاردان تربیت کنند. یکی از فعالان این عرصه Pieter Abbeel از دانشگاه UC Berkeley است. در این راستا او به کمک Open AI یک استارت آپ با نام Embodied Intelligence برای بازوهای رباتیک معرفی کرده است. سرمایه آغاز این طرح هفت میلیون دلار آمریکا است.
به گفته‌ی فعالان طرح، Embodied Intelligence قصد معرفی ربات‌هایی با توانایی انجام کارهای پیچیده را دارد. کارهایی مانند برداشتن جسم‌هایی با شکل‌های پیچیده، گره زدن، جداسازی اجسام بزرگ به اجزای تشکیل دهنده و یا دستبردن در اشیا شکل پذیر مانند سیم، کابل، پارچه، کیسه‌ها محتوی گاز یا مایع و غذا. برای رسیدن به این منظور مهندسان از روش یادگیری ماشین بهره می‌برند. مهندسان فعال در این طرح با این روش ماشین‌های آموزش پذیر خواهند ساخت.
Embodied Intelligence و روش جدید برنامه نویسی ماشین
از معروف‌ترین خروجی های آزمایشگاه یادگیری ربات دانشگاه UC Berkeley یا UC Berkeley’s Robot Learning Lab (RLL) تا کردن حوله و گره زدن ریسمان بوسیله‌ی ماشین است. فیلمی از این آزمایش در سال ۲۰۱۳ منتشر شده است. در این فیلم ابتدا فردی نحوه گره زدن را به ماشین نشان می‌دهد. در این مرحله هیچ برنامه‌ی خاصی برای آموزش گره زدن، به طور خاص، به کار گرفته نمی‌شود. به این ترتیب نحوه گره زدن باید با دیدی عمومی آموخته شود. سپس ریسمانی پیش روی ماشین قرار می‌گیرد. در این مرحله از هیچ وسیله‌ای برای ثابت کردن ریسمان استفاده نمی‌شود. ریسمانی که در اختیار ماشین قرار می‌گیرد می‌تواند هر شکلی داشته باشد. ماشین باید شکل ریسمان را تشخیص دهد و بر طبق آن تصمیم گیری نماید.
در حقیقت Embodied Intelligence قصد دارد با این پژوهش‌ها شکاف میان عملکرد انسان و ربات را باریک تر کند. پس از نمایش ImageNet در دانشگاه استنفرد پژوهش های Pieter Abbeel وارد مرحله‌ی جدیدی شد. ImageNet نشان داد که جمع آوری داده به میزان کافی و استفاده از آن در نتیجه‌گیری می تواند تا چه حد در تربیت رباتها مفید باشد. گروه پژوهشی Pieter Abbeel یادگیری ماشین را تا حد زیادی توسعه داده‌اند. نتایج پژوهش‌های این گروه اکنون برای پیاده سازی در کارهای تدارکاتی و تجاری قابل استفاده است.
هدف Pieter Abbeel و گروه او در Embodied Intelligence طراحی نرم افزاری است که تنها یکبار برنامه‌نویسی می‌شود. این نرم افزار می تواند برای انجام امور مختلف استفاده شود بی آنکه نویسنده‌ی برنامه کدی برای اجرای کاری خاص وارد برنامه کرده باشد. نرم افزار از طریق جمع‌آوری اطلاعات و بررسی آن تصمیم‌گیری می‌کند.
واقعیت مجازی و یادگیری ماشین
Pieter Abbeel بیان داشت : تفاوت درا ین است که برنامه‌نویسی تنها یکبار و پیش از مواجهه با کار و برای تکمیل هر کاری انجام می‌شود. پس از آن برای اینکه ربات قادر به انجام کاری خاص باشد باید داده‌هایی در اختیار او قرار داد.
جمع آوری داده می‌تواند از طریق نشان دادن عملی باشد. اخبار حاکی از این است که Embodied Intelligence از واقعیت مجازی برای آموزش ربات استفاده می‌کند. واقعیت مجازی در مرحله‌ی جمع آوری داده استفاده می شود. در حقیقت داده‌های کسب شده با واقعیت مجازی کیفیت بالایی دارند. همین موضوع یادگیری را سریع‌تر می‌کند. ذکراین نکته لازم است که در این روش ماشین یکسری حرکات را برای تقلید فرانمی‌گیرد بلکه یک مهارت جدید را می‌آموزد. چنین مهارتی برای کارکرد موفق خارج از فضای آزمایشگاه لازم است.
داده‌های واقعیت مجازی زمان آموزش را به سی دقیقه کاهش می‌دهد. پس از آن ربات در هشتاد درصد موارد در کاری که آموخته موفق است. این رقم هنوز برای عموم قانع کننده نیست به خصوص اینکه ربات پس از اتمام یادگیری هنوز کند است. مرحله دوم آموزش می‌تواند سرعت و کارایی ماشنی بخشد. Pieter Abbeel خوشبینانه باور دارد که پس از این عملکرد ربات برای مشتریان رضایت بخش خواهد بود هرچند نرخ موفقیت به صد در صد نمی‌رسد.
آموزش رباتیک به کمک واقعیت مجازی در Embodied Intelligence
آینده‌ی رباتیک و آموزش ماشین
گام بعدی Embodied Intelligence تمرکز بر انجام کارهایی است که به پردازش مداوم اطلاعات تصویری نیاز دارند. کارهایی مانند تغییر شکل یک سیم و یا وصل کردن اجزای یک شکل خاص. به طور طبیعی برای اینکه ربات دو قسمت از یک جسم را به یکدیگر متصل کند باید این دو قسمت را از هم تمییز دهد، موقعیت مکانی و جهت گیری این دو قسمت را دریابد و سپس روش اتصال این دو قسمت را استدلال کند.
شایان ذکر است که Embodied Intelligence تنها فعال این زمینه نیست. شرکت‌هایی چون Kindred، Kinema Systems، و RightHand Robotics نیز در همین زمینه فعالیت دارند. برای ارزیابی موفقیت نسبی این شرکت‌ها زمان بیشتری لازم است. به طور قطع پس از انتشار فیلم‌های بیشتری از عملکرد ربات‌های Embodied Intelligence می‌توان در این مورد تصمیم گیری کرد.
بیشتر بخوانیم
چرا یادگیری عمیق با یادگیری ماشینی متفاوت است؟
پنج شغلی که در آینده شانس استخدام رباتها در آنها بیشتر خواهد بود
دست مصنوعی مجهز به فناوری یادگیری افزایشی
منبع: spectrum.ieee
انتشار و باز نشر این نوشتار تنها با ذکر نام مجله‌ی فناوریهای پوشیدنی و توان افزا مجاز است.
