اعتبار: اُلیور، لانیلوس و چِنگ.
یک چالش کلیدی برای محققان روباتیک، ایجاد سیستم هایی است که بتوانند با انسان ها و محیط اطرافشان در موقعیت هایی که درگیر درجه های تغییر کننده عدم اطمینان هستند، تعامل برقرار کنند. در حقیقت، در حالی که انسانها می توانند از تجربیات خود به طور مداوم یاد بگیرند و بدن خود را همانطور که با جهان تعامل می کنند به عنوان یک کل درک کنند، روبات ها هنوز این قابلیت ها را ندارند.
محققان دانشگاه فنی مونیخ اخیرا مطالعه‌ی جاه طلبانه ای را انجام دادند که در آن تلاش می کردند «استنتاج فعال»، یک ساختار نظری برای توضیح توانایی ادغام ادراک و عمل، را به یک روبات انسان نما اِعمال کنند. مطالعه آنها بخشی از یک پروژه گسترده تر تحت حمایت بودجه اتحادیه اروپا به نام SELFCEPTION است که بین روباتیک و روانشناسی شناختی با هدف توسعه روبات های حساس تر پل می زند.
پابلو لینلوس، یکی از محققانی که این مطالعه را انجام داد، به TechXplore گفت: "سؤال تحقیقاتی اصلی که ماشه‌ی انجام این کار را کشید فراهم کردن روبات های انسان نما و به طور کلی عوامل مصنوعی با ظرفیت درک بدن خود است به همان نحوی که انسان این درک را دارد." "هدف اصلی این بود که توانایی های آنها را بهبود بخشیم تا بتوانند تحت عدم اطمینان فعل و انفعال داشته باشند. زیر چتر پروژه‌ی Selfception.eu Marie Skłodowska-Curry ما در ابتدا یک نقشه راه را برای شامل کردن برخی از ویژگی های درک و رفتار انسانی در روبات ها تعریف کردیم."
لانیولوس و همکارانش در مطالعه خود تلاش کردند تا آگاهی بهتری از درک انسانی به دست آورند و سپس آن را در یک روبات انسان نما مدل سازی کردند. این ثابت کرد که کاری بسیار دشوار است، چون جزئیات بسیاری از اینکه چگونه اطلاعات حسی (بصری، لمسی، و غیره) توسط انسان پردازش می شوند، هنوز ناشناخته است. محققان از کار هرمان وُن هلمهولتز و کارل فریستون الهام گرفتند، به ویژه از نظریه‌ی استنتاج فعال آنها، که یکی از پرنفوذترین ساختارهای علوم عصبی است.
گیلرمو الیور، یکی دیگر از محققان شرکت کننده در این تحقیق، به Techxplore گفت: "در اصل، ما پیشنهاد می کنیم که روبات به طور مداوم در حال تقریب بدن خود با استفاده از مدل های ناقص العلم خود است." "الگوریتم، بر اساس اصل انرژی آزاد، درک و عملی را ارائه می دهد که برای یک هدف مشترک کار می کنند: کاهش خطای پیش بینی. در این رویکرد، عمل، داده های حسی را وادار می کند که ارتباط بهتری با پیش بینی به عمل آمده توسط مدل درونی داشته باشند."
لانیلوس، الیور و پروفسور گوردون چِنگ اولین کسانی بودند که استنتاج فعال را به یک روبات واقعی اِعمال کردند. در واقع، تا کنون، استنتاج فعال فقط به طور نظری یا در شبیه سازی هایی که تا اندازه ای توسط ساده سازی مدل های مورد استفاده طرفدارانه بودند تست می شد.
رویکرد آنها تلاش می کند تا توانایی انسان ها برای تغییر فعالیت هایشان (مثلا گام برداشتنشان) را در موقعیت های خاص بازتولید کند، مثلا وقتی که به پله برقی مترو نزدیک می شوند اما ناگهان متوجه می شوند که شکسته یا خارج از سرویس است و حرکت خود را با آن وفق می دهند. الگوریتم درک و کنترل که توسط لانیلوس، اُلیوِر و چِنگ توسعه یافته است، مکانیزم مشابهی را در روبات ها تکرار می کند.
به عنوان مثال، در یک وظیفه‌ی رسیدن به هدف که در آن یک روبات نیاز به لمس یک شیء دارد، این مدل خطایی را در موقعیت مطلوب دست ایجاد می کند که ماشه‌ی شروع فعالیتی به سمت شیء را می کشد. تعادل (یا به حداقل رساندن) هنگامی حاصل می شود که دست روبات و شیء در یک موقعیت قرار گیرند.
الیور گفت: "این رویکرد در جامعه علوم روباتیک نادر است، اما سربراهی را فراهم می کند، اجازه به ترکیبی از اطلاعات حسی از منابع مختلف می دهد و به تنظیم قابلیت اطمینان هر اطلاعات حسگر، بسته به دقت، رخصت می دهد."
محققان، الگوریتم خود را به iCub اِعمال کردند، که یک روبات انسان نمای شناختی منبع باز بود که به عنوان بخشی از پروژه‌ی دیگرِ تأمین مالی شده توسط اتحادیه اروپا، توسعه یافته بود، و عملکرد آن را در وظایفی که درگیر رسیدن دوتایی دست و پیگردی فعال سر بود ارزیابی کردند. در آزمایش های آنها، روبات قادر به انجام رفتارهای پیشرفته و قوی رسیدن و همچنین ردیابی فعالانه سر به دنبال اجسام در میدان دید خود بود.
الیور گفت: "روبات انسان نما قادر به اجرای رسیدن دو دستی قوی و کارهای ردیابی بصری یک شیء با استفاده از همان مدل ریاضی است." روبات انسان نما قادر به اجرای رسیدن دو دستی قوی و کارهای ردیابی بصری یک شیء با استفاده از همان مدل ریاضی است. "با استفاده از این نوع الگوریتم، ما می خواهیم دیدگاه فعلی خط لوله‌ی درک ورودی-خروجی (به عنوان مثال پیشرفته ترین شبکه های عصبی) را، با پیش بردن ایده درک حلقه‌ی نزدیک، جایی که گذرهای روبه جلو و رو به عقب به صورت آنلاین پردازش می شوند، و با شامل کردن عمل به عنوان یک متغیر ناگزیر دیگر تغییر دهیم."
لانیلوس، اُلیوِر و چِنگ اولین کسانی هستند که مدلی را بر اساس اصل انرژی آزاد روی یک روبات واقعی انسان نما اجرا می کنند. یافته های آنها حاکی از آن است که اعتبارسنجی چنین مدل هایی در تنظیمات دنیای واقعی امکان پذیر است، همانطور که تحلیل مزایای این مدل ها در حضور اطلاعات حسگری شلوغ، انسدادها یا زمانی که تنها اطلاعات جزئی در دسترس است امکان پذیر است. محققان در حال حاضر در حال برنامه ریزی برای استفاده از مدل شان در دیگر روبات ها و تست قابلیت تعمیم آن هستند.
لانیلوس گفت: "در دراز مدت، ما می خواهیم توسعه عوامل مصنوعی، با همان قابلیت های سازگاری بدن و تعامل به عنوان انسان، را مقدور سازیم." "در ضمن، ما در حال توسعه الگوریتم های جدید هوش مصنوعی الهام گرفته از زیست شناسی هستیم. در آینده ما همچنین از این مدل برای تحقیق مالکیت و نمایندگی بدن استفاده خواهیم کرد، و چه کسی می داند، شاید روزی خود-تشخیصی را در ماشین ها مقدور سازیم."
منبع: اینگرید فَدلی، Tech Xplore
یک چالش کلیدی برای محققان روباتیک، ایجاد سیستم هایی است که بتوانند با انسان ها و محیط اطرافشان در موقعیت هایی که درگیر درجه های تغییر کننده عدم اطمینان هستند، تعامل برقرار کنند. در حقیقت، در حالی که انسانها می توانند از تجربیات خود به طور مداوم یاد بگیرند و بدن خود را همانطور که با جهان تعامل می کنند به عنوان یک کل درک کنند، روبات ها هنوز این قابلیت ها را ندارند.
محققان دانشگاه فنی مونیخ اخیرا مطالعه‌ی جاه طلبانه ای را انجام دادند که در آن تلاش می کردند «استنتاج فعال»، یک ساختار نظری برای توضیح توانایی ادغام ادراک و عمل، را به یک روبات انسان نما اِعمال کنند. مطالعه آنها بخشی از یک پروژه گسترده تر تحت حمایت بودجه اتحادیه اروپا به نام SELFCEPTION است که بین روباتیک و روانشناسی شناختی با هدف توسعه روبات های حساس تر پل می زند.
پابلو لینلوس، یکی از محققانی که این مطالعه را انجام داد، به TechXplore گفت: "سؤال تحقیقاتی اصلی که ماشه‌ی انجام این کار را کشید فراهم کردن روبات های انسان نما و به طور کلی عوامل مصنوعی با ظرفیت درک بدن خود است به همان نحوی که انسان این درک را دارد." "هدف اصلی این بود که توانایی های آنها را بهبود بخشیم تا بتوانند تحت عدم اطمینان فعل و انفعال داشته باشند. زیر چتر پروژه‌ی Selfception.eu Marie Skłodowska-Curry ما در ابتدا یک نقشه راه را برای شامل کردن برخی از ویژگی های درک و رفتار انسانی در روبات ها تعریف کردیم."
لانیولوس و همکارانش در مطالعه خود تلاش کردند تا آگاهی بهتری از درک انسانی به دست آورند و سپس آن را در یک روبات انسان نما مدل سازی کردند. این ثابت کرد که کاری بسیار دشوار است، چون جزئیات بسیاری از اینکه چگونه اطلاعات حسی (بصری، لمسی، و غیره) توسط انسان پردازش می شوند، هنوز ناشناخته است. محققان از کار هرمان وُن هلمهولتز و کارل فریستون الهام گرفتند، به ویژه از نظریه‌ی استنتاج فعال آنها، که یکی از پرنفوذترین ساختارهای علوم عصبی است.
گیلرمو الیور، یکی دیگر از محققان شرکت کننده در این تحقیق، به Techxplore گفت: "در اصل، ما پیشنهاد می کنیم که روبات به طور مداوم در حال تقریب بدن خود با استفاده از مدل های ناقص العلم خود است." "الگوریتم، بر اساس اصل انرژی آزاد، درک و عملی را ارائه می دهد که برای یک هدف مشترک کار می کنند: کاهش خطای پیش بینی. در این رویکرد، عمل، داده های حسی را وادار می کند که ارتباط بهتری با پیش بینی به عمل آمده توسط مدل درونی داشته باشند."
لانیلوس، الیور و پروفسور گوردون چِنگ اولین کسانی بودند که استنتاج فعال را به یک روبات واقعی اِعمال کردند. در واقع، تا کنون، استنتاج فعال فقط به طور نظری یا در شبیه سازی هایی که تا اندازه ای توسط ساده سازی مدل های مورد استفاده طرفدارانه بودند تست می شد.
رویکرد آنها تلاش می کند تا توانایی انسان ها برای تغییر فعالیت هایشان (مثلا گام برداشتنشان) را در موقعیت های خاص بازتولید کند، مثلا وقتی که به پله برقی مترو نزدیک می شوند اما ناگهان متوجه می شوند که شکسته یا خارج از سرویس است و حرکت خود را با آن وفق می دهند. الگوریتم درک و کنترل که توسط لانیلوس، اُلیوِر و چِنگ توسعه یافته است، مکانیزم مشابهی را در روبات ها تکرار می کند.
به عنوان مثال، در یک وظیفه‌ی رسیدن به هدف که در آن یک روبات نیاز به لمس یک شیء دارد، این مدل خطایی را در موقعیت مطلوب دست ایجاد می کند که ماشه‌ی شروع فعالیتی به سمت شیء را می کشد. تعادل (یا به حداقل رساندن) هنگامی حاصل می شود که دست روبات و شیء در یک موقعیت قرار گیرند.
الیور گفت: "این رویکرد در جامعه علوم روباتیک نادر است، اما سربراهی را فراهم می کند، اجازه به ترکیبی از اطلاعات حسی از منابع مختلف می دهد و به تنظیم قابلیت اطمینان هر اطلاعات حسگر، بسته به دقت، رخصت می دهد."
محققان، الگوریتم خود را به iCub اِعمال کردند، که یک روبات انسان نمای شناختی منبع باز بود که به عنوان بخشی از پروژه‌ی دیگرِ تأمین مالی شده توسط اتحادیه اروپا، توسعه یافته بود، و عملکرد آن را در وظایفی که درگیر رسیدن دوتایی دست و پیگردی فعال سر بود ارزیابی کردند. در آزمایش های آنها، روبات قادر به انجام رفتارهای پیشرفته و قوی رسیدن و همچنین ردیابی فعالانه سر به دنبال اجسام در میدان دید خود بود.
الیور گفت: "روبات انسان نما قادر به اجرای رسیدن دو دستی قوی و کارهای ردیابی بصری یک شیء با استفاده از همان مدل ریاضی است." روبات انسان نما قادر به اجرای رسیدن دو دستی قوی و کارهای ردیابی بصری یک شیء با استفاده از همان مدل ریاضی است. "با استفاده از این نوع الگوریتم، ما می خواهیم دیدگاه فعلی خط لوله‌ی درک ورودی-خروجی (به عنوان مثال پیشرفته ترین شبکه های عصبی) را، با پیش بردن ایده درک حلقه‌ی نزدیک، جایی که گذرهای روبه جلو و رو به عقب به صورت آنلاین پردازش می شوند، و با شامل کردن عمل به عنوان یک متغیر ناگزیر دیگر تغییر دهیم."
لانیلوس، اُلیوِر و چِنگ اولین کسانی هستند که مدلی را بر اساس اصل انرژی آزاد روی یک روبات واقعی انسان نما اجرا می کنند. یافته های آنها حاکی از آن است که اعتبارسنجی چنین مدل هایی در تنظیمات دنیای واقعی امکان پذیر است، همانطور که تحلیل مزایای این مدل ها در حضور اطلاعات حسگری شلوغ، انسدادها یا زمانی که تنها اطلاعات جزئی در دسترس است امکان پذیر است. محققان در حال حاضر در حال برنامه ریزی برای استفاده از مدل شان در دیگر روبات ها و تست قابلیت تعمیم آن هستند.
لانیلوس گفت: "در دراز مدت، ما می خواهیم توسعه عوامل مصنوعی، با همان قابلیت های سازگاری بدن و تعامل به عنوان انسان، را مقدور سازیم." "در ضمن، ما در حال توسعه الگوریتم های جدید هوش مصنوعی الهام گرفته از زیست شناسی هستیم. در آینده ما همچنین از این مدل برای تحقیق مالکیت و نمایندگی بدن استفاده خواهیم کرد، و چه کسی می داند، شاید روزی خود-تشخیصی را در ماشین ها مقدور سازیم."
منبع: اینگرید فَدلی، Tech Xplore
