چکیده:
برای استفاده بهتر از ربات‌ها و وارد کردن آنها به زندگیمان و انجام برخی از وظایف ما، محققانMIT در حال ساخت رباتهایی هستند که می‌توانند اشیاء را برداشته و جابه جا کنند. این فناوری می‌تواند باعث شود که بتوانیم از ربات‌ها برای خرید و یا قرار دادن وسایل در قفسه‌ها کمک بگیریم.
تعداد کلمات: 1042 / تخمین زمان مطالعه: 5 دقیقه
برای استفاده بهتر از ربات‌ها و وارد کردن آنها به زندگیمان و انجام برخی از وظایف ما، محققانMIT در حال ساخت رباتهایی هستند که می‌توانند اشیاء را برداشته و جابه جا کنند. این فناوری می‌تواند باعث شود که بتوانیم از ربات‌ها برای خرید و یا قرار دادن وسایل در قفسه‌ها کمک بگیریم.
تعداد کلمات: 1042 / تخمین زمان مطالعه: 5 دقیقه
در سال 2016، در آزمایشگاه متعلق به گوگل، بیش از دوازده بازوی روباتیک ساعت‌ها تنظیم شده بودند تا اشیاء را در اشکال و اندازه‌های مختلف بلند کنند. در ساعت‌های پایانی مشاهده شد که آنها خود را به چگونگی جمع آوری و نگه داشتن مناسب اقلام ملزم کردند، درست به همان شیوه‌ای که کودک به تدریج یاد می‌گیرد تا از دستانش استفاده کند.
در حال حاضر، دانشمندان MIT پیشرفت جدیدی در یادگیری ربات‌ها ایجاد کرده‌اند: این سیستم جدید نه تنها می‌تواند آنها را برای دیدن و شناسایی اشیا آموزش دهد، بلکه می‌داند که چگونه به بهترین شکل آنها را جابجا کند.
این بدان معنی است که با استفاده از این روش یادگیری جدید، ربات دارای "شبکه متراکم (DON)" خواهد شد و قادر خواهد بود تا یک شی که هرگز تا قبل از آن ندیده است را از یک جهت ناآشنا و بدون استفاده از آزمون و خطا بردارد.
توانایی ساده استفاده از دست‌های خود، بخش مهمی از این است که چرا انسان‌ها گونه غالب در روی این سیاره هستند. نوآوری‌های سخت افزاری مانند Hand Shadow Dexterous ربات‌ها را قادر می‌سازد تا در سال‌های آتی به راحتی بتوانند با اشیاء ظریف کار کنند، اما ساخت نرم افزار بسیار دقیق مورد نیاز برای کنترل این ماشین‌های مهندسی، سخت‌تر شده است.
ربات‌های سایت آمازون میلیون‌ها دلار جایزه (و به طور بالقوه در قراردادها، به طوری که ارزش خرید 775 میلیون دلاری Kiva Systems را نشان می‌دهد) برای بهترین ربات‌های هوشمند را برنده شد که قادر به انتخاب و بسته بندی اقلام در انبارهای خود هستند. رویای خوشایند یک سیستم تحویل اتوماتیک توانایی بسیار مهم این ربات‌ها را بیشتر نشان می‌دهد.
در همین حال، مسابقه Robocup@home که یک شاخه از مسابقات محبوب روبوکاپ برای روبات‌های فوتبالیست است، این هدف را دنبال می‌کند که رویای همگان را برای داشتن یک روبات باتلر واقعی محقق کند. این مسابقه شامل تیم‌هایی است که ربات‌های خود را آماده می‌کنند تا کارهای ساده خانگی که نیازمند تعامل اجتماعی یا جابجایی اشیاء است، مانند کمک به حمل خرید، مرتب کردن اقلام در قفسه یا هدایت گردشگران در اطراف موزه را انجام دهد.
با این حال تمام این تلاش‌ها ثابت کرده است که اغلب وظایف باید ساده شود تا ربات بتواند تمام آنها را تکمیل کند. عناصر جدید یا غیر منتظره، مانند آنچه که در زندگی واقعی با آن مواجه می‌شویم، اغلب برای ربات غیرقابل درک است. برنامه ریزی هر حرکت ربات با جزئیات دقیق امکان پذیر نیست در نتیجه این ربات‌ها می‌توانند در یک فضای کنترل شده مانند خط مونتاژ کار کنند، اما در زندگی روزمره نه.
چشم انداز دنیای کامپیوتر همیشه در حال بهبود بوده است. شبکه‌های عصبی، از جمله آنهایی که از شما می‌خواهند تا با وارد کردن کد CAPTCHA ثابت کنید که یک ربات نیستید، در دسته بندی اشیاء در حال بهتر شدن هستند و ربات‌ها را براساس تکمیل اطلاعات ناقص، تشخیص می‌دهند. با این حال تمام این تلاش‌ها ثابت کرده است که اغلب وظایف باید ساده شود تا ربات بتواند تمام آنها را تکمیل کند.
اما بسیاری از این سیستم‌ها نیاز به مقدار فراوانی داده‌های ورودی دارد، که غیر عملی است و اغلب باید به وسیله انسان‌ها به سختی دسته بندی شوند. شغل‌های کاملا جدیدی وجود دارد که افراد را مجبور به برچسب گذاری، طبقه بندی و انتقال اطلاعات بزرگ و آماده سازی آنها برای یادگیری ماشین‌های نظارتی می‌کند. مثلا اگر شما گوگل هستید، می‌توانید هزاران نفر از کاربران ناخواسته را با استفاده از CAPTCHA حذف کنید. اگر شما آی بی ام باشید، می‌توانید افرادی را استخدام کنید تا به صورت دستی برچسب بزنند. اگر یک شخصیت حقیقی یا یک استارتاپ هستید و سعی می‌کنید که کار جدیدی را آغاز کنید، برای دسترسی به اطلاعات موجود که برای اشخاص بزرگتر قابل دسترس است، تلاش خواهید کرد.
به همین دلیل است که سیستم‌های جدید که به طور بالقوه خود را در طول زمان آموزش می‌دهند، اجازه نمی‌دهند تا ربات‌ها در موقعیت‌هایی که هیچ وقت قبل از آن اتفاق نیفتاده است، به اطلاعات دسترسی پیدا کنند و این به لطف هوش مصنوعی می‌باشد. کار انجام شده توسط MIT در بخش علوم کامپیوتر و آزمایشگاه هوش مصنوعی (CSAIL) بخشی از یک موج جدید به نام "خود نظارتی" سیستم‌های یادگیری ماشینی است که کمی از داده‌های مورد استفاده توسط انسان را برچسب گذاری کرده است.
این ربات ابتدا از زوایای مختلفی جسم جدید را بازرسی می‌کند و یک تصویر سه بعدی از جسم را با سیستم مختصات خود ایجاد می‌کند. این امر به بازوی روباتیک اجازه می‌دهد تا یک مشخصه خاص بر روی جسم مانند دسته یا زبانه کفش را از زوایای مختلف و بر اساس فاصله نسبی آن با نقاط دیگر مشخص کند.
این یک نوآوری واقعی است: ابزار جدیدی که اشیاء را با تصویر برداری سه بعدی و نقاط شبکه و زیرمجموعه‌های آن درک می‌کند. در این فناوری، به جای استفاده از یک الگوریتم بصری کامپیوتری برای شناسایی دستگیره درب و سپس فعال کردن دستگیره، سیستم DON با ایجاد این نقشه‌های فضایی، قبل از طبقه بندی یا دستکاری آنها، ترجیح می‌دهد تا بتواند با طیف وسیعی از اشیا برخورد کند. با این حال، استفاده از این شبکه‌های متراکم به عنوان راهی برای نشان دادن و برداشتن اشیاء جدید توسط ربات‌ها است و گام دیگری برای دستیابی به هدف نهایی اتوماسیون عمومی می‌باشد
لوکاس مانوللی دانشجوی دکترا می‌گوید: "بسیاری از رویکردها برای دستکاری و جابجایی اشیاء، نمی‌توانند بخش خاصی از یک شی را در میان بسیاری از جهت‌هایی که ممکن است با آن مواجه شوند، شناسایی کنند."
لوکاس مانوللی، مقاله جدیدی را درباره سیستم با همراهی با استاد ریاضی MIT و نویسنده اصلی پروفسور راس تدراک و دانشجوی دیگری به نام پیت فلی نوشته است. "به عنوان مثال، الگوریتم‌های موجود قادر به گرفتن یک لیوان از دسته خود نیستند، به خصوص اگر لیوان در جهت‌های مختلفی، مانند راست و یا در سمت چپ باشد."
این کار هنوز در مقیاس کوچک است و این آزمایش با چند نوع شی مختلف، از جمله کفش، کلاه و لیوان آزمایش شده است. با این حال، استفاده از این شبکه‌های متراکم به عنوان راهی برای نشان دادن و برداشتن اشیاء جدید توسط ربات‌ها است و گام دیگری برای دستیابی به هدف نهایی اتوماسیون عمومی می‌باشد: "یک ربات قادر به انجام هر کاری است که یک انسان می‌تواند انجام دهد".
برگرفته از سایت singularityhub
