يساعد الذكاء الاصطناعي الروبوتات على التعامل مع الأشياء بأجسامها بالكامل

باستخدام تقنية جديدة، يستطيع الروبوت أن يفكر بكفاءة في تحريك الأشياء باستخدام أكثر من مجرد أطراف أصابعه

تخيل أنك تريد حمل صندوق كبير وثقيل إلى أعلى الدرج. يمكنك فرد أصابعك للخارج ورفع هذا الصندوق بكلتا يديك، ثم تثبيته أعلى ساعديك وموازنته على صدرك، باستخدام جسمك بالكامل للتلاعب بالصندوق.

يجيد البشر عمومًا التلاعب بجسمهم بالكامل، لكن الروبوتات تواجه صعوبة في مثل هذه المهام. بالنسبة للروبوت، تمثل كل نقطة يمكن أن يلمس فيها الصندوق أي نقطة على أصابع الناقل وذراعيه وجذعه حدث اتصال يجب أن يفكر فيه. مع وجود المليارات من أحداث الاتصال المحتملة، يصبح التخطيط لهذه المهمة أمرًا صعبًا بسرعة.

الآن وجد الباحثون في معهد ماساتشوستس للتكنولوجيا طريقة لتبسيط هذه العملية، والمعروفة باسم تخطيط التلاعب الغني بالاتصال. ويستخدمون تقنية الذكاء الاصطناعي التي تسمى التجانس، والتي تلخص العديد من أحداث الاتصال في عدد أقل من القرارات، لتمكين حتى خوارزمية بسيطة من التعرف بسرعة على خطة معالجة فعالة للروبوت.

على الرغم من أن هذه الطريقة لا تزال في أيامها الأولى، إلا أنها يمكن أن تمكن المصانع من استخدام روبوتات متنقلة أصغر حجمًا يمكنها التعامل مع الأشياء بأذرعها أو أجسادها بالكامل، بدلاً من الأذرع الآلية الكبيرة التي لا يمكنها الإمساك إلا باستخدام أطراف الأصابع. قد يساعد هذا في تقليل استهلاك الطاقة وخفض التكاليف. بالإضافة إلى ذلك، يمكن أن تكون هذه التقنية مفيدة في الروبوتات المرسلة في مهمات استكشافية إلى المريخ أو أي أجسام أخرى في النظام الشمسي، حيث يمكنها التكيف مع البيئة بسرعة باستخدام جهاز كمبيوتر موجود على متنها فقط.

التعلم عن التعلم

التعلم المعزز هو أسلوب للتعلم الآلي حيث يتعلم الوكيل، مثل الروبوت، إكمال مهمة من خلال التجربة والخطأ مع مكافأة الاقتراب من الهدف. يقول الباحثون إن هذا النوع من التعلم يتبع منهج الصندوق الأسود لأن النظام يجب أن يتعلم كل شيء عن العالم من خلال التجربة والخطأ.

وقد تم استخدامه بشكل فعال لتخطيط المعالجة الغنية بالاتصال، حيث يسعى الروبوت إلى تعلم أفضل طريقة لتحريك كائن بطريقة محددة.

ولكن نظرًا لاحتمال وجود مليارات من نقاط الاتصال المحتملة التي يجب على الروبوت التفكير فيها عند تحديد كيفية استخدام أصابعه وأيديه وذراعيه وجسمه للتفاعل مع جسم ما، فإن نهج التجربة والخطأ هذا يتطلب قدرًا كبيرًا من الحسابات.

من ناحية أخرى، إذا صمم الباحثون على وجه التحديد نموذجًا قائمًا على الفيزياء باستخدام معرفتهم بالنظام والمهمة التي يريدون من الروبوت إنجازها، فإن هذا النموذج يشتمل على بنية حول هذا العالم تجعله أكثر كفاءة.

ومع ذلك، فإن الأساليب القائمة على الفيزياء ليست فعالة مثل التعلم المعزز عندما يتعلق الأمر بتخطيط التلاعب الغني بالاتصال. لقد أجروا تحليلاً مفصلاً ووجدوا أن التقنية المعروفة باسم التجانس تمكن التعلم المعزز من الأداء الجيد.

العديد من القرارات التي يمكن أن يتخذها الروبوت عند تحديد كيفية التعامل مع جسم ما ليست مهمة في المخطط الكبير للأشياء. على سبيل المثال، كل تعديل متناهٍ في الصغر لإصبع واحد، سواء أدى إلى ملامسة الجسم أم لا، لا يهم كثيرًا. يؤدي تجانس المتوسطات إلى التخلص من العديد من تلك القرارات الوسيطة غير المهمة، مع ترك عدد قليل من القرارات المهمة.

يؤدي التعلم المعزز إلى التجانس ضمنيًا من خلال تجربة العديد من نقاط الاتصال ثم حساب المتوسط المرجح للنتائج. وبالاعتماد على هذه الرؤية، صمم باحثو معهد ماساتشوستس للتكنولوجيا نموذجًا بسيطًا يؤدي نوعًا مشابهًا من التجانس، مما يمكنه من التركيز على التفاعلات الأساسية بين الروبوت والكائن والتنبؤ بالسلوك طويل المدى. لقد أظهروا أن هذا النهج يمكن أن يكون بنفس فعالية التعلم المعزز في إنشاء خطط معقدة.

على الرغم من أن التجانس يبسط القرارات إلى حد كبير، إلا أن البحث في القرارات المتبقية قد يظل يمثل مشكلة صعبة. لذلك، قام الباحثون بدمج نموذجهم مع خوارزمية يمكنها البحث بسرعة وكفاءة من خلال جميع القرارات الممكنة التي يمكن أن يتخذها الروبوت. مع هذا المزيج، تم تقليل وقت الحساب إلى حوالي دقيقة على جهاز كمبيوتر محمول قياسي.

لقد اختبروا نهجهم أولاً في عمليات المحاكاة حيث تم تكليف الأيدي الروبوتية بمهام مثل تحريك قلم إلى التكوين المطلوب، أو فتح باب، أو التقاط طبق. وفي كل حالة، حقق النهج القائم على النموذج نفس الأداء الذي حققه التعلم المعزز، ولكن في جزء صغير من الوقت. لقد رأوا نتائج مماثلة عندما اختبروا نموذجهم في الأجهزة على أذرع آلية حقيقية.

“إن نفس الأفكار التي تمكن من التلاعب بالجسم بالكامل تعمل أيضًا على التخطيط بأيدٍ بارعة تشبه الأيدي البشرية. في السابق، قال معظم الباحثين إن التعلم المعزز هو النهج الوحيد الذي يمتد إلى الأيدي الماهرة.

ومع ذلك، فإن النموذج الذي طوروه يعتمد على تقريب أبسط للعالم الحقيقي، لذلك لا يمكنه التعامل مع الحركات الديناميكية للغاية، مثل سقوط الأشياء. على الرغم من فعاليته في مهام المعالجة البطيئة، إلا أن نهجهم لا يمكنه إنشاء خطة من شأنها تمكين الروبوت من رمي علبة في سلة المهملات، على سبيل المثال. وفي المستقبل، يخطط الباحثون لتعزيز تقنيتهم حتى تتمكن من معالجة هذه الحركات الديناميكية للغاية.