حل چالش های دشوار پیتزاسازی رباتیک
به گزارش سینا پرس فارس، یک روش جدید می‌تواند به یک ربات امکان دستکاری اشیای متلاطم مانند خمیر پیتزا یا مواد نرم مانند لباس را بدهد، تصور کنید یک پیتزاساز با یک توپ خمیر کار می کند، ممکن است با یک کاردک خمیر را روی تخته برش ببرد و سپس از وردنه برای صاف کردن آن به صورت دایره ای استفاده کند. آسان است، درست است؟ البته نه اگر این پیتزاساز ربات باشد.
برای یک ربات، کار با یک جسم قابل تغییر شکل مانند خمیر مشکل است، زیرا شکل خمیر می تواند به طرق مختلف تغییر کند، که به سختی می توان آن را با یک معادله نشان داد. به علاوه، ایجاد یک شکل جدید از آن خمیر نیازمند مراحل متعدد و استفاده از ابزارهای مختلف است. یادگیری یک کار دستکاری با مدت طولانی از مراحل که در آن گزینه های ممکن زیادی وجود دارد برای یک ربات بسیار دشوار است زیرا یادگیری اغلب از طریق آزمون و خطا اتفاق می افتد.
محققان MIT، دانشگاه کارنگی ملون و دانشگاه کالیفرنیا در سن دیگو راه بهتری را ارائه کرده اند. آنها چارچوبی برای یک سیستم دستکاری رباتیک ایجاد کردند که از یک فرآیند یادگیری دو مرحله ای استفاده می کند، که می تواند یک ربات را قادر سازد تا وظایف پیچیده دستکاری خمیر را در یک بازه زمانی طولانی انجام دهد. یک الگوریتم "معلم" هر مرحله را که ربات باید برای تکمیل کار بردارد حل می کند. سپس، یک مدل یادگیری ماشینی «دانش‌آموز» را آموزش می‌دهد که ایده‌های انتزاعی درباره زمان و نحوه اجرای هر مهارتی را که در طول کار نیاز دارد، مانند استفاده از وردنه، یاد می‌گیرد. با این دانش، سیستم در مورد چگونگی اجرای مهارت ها برای تکمیل کل کار استدلال می کند.
محققان نشان می‌دهند که این روش که آن را DiffSkill می‌نامند، می‌تواند کارهای دستکاری پیچیده را در شبیه‌سازی انجام دهد، مانند برش و پهن کردن خمیر، یا جمع‌آوری تکه‌های خمیر از اطراف تخته برش، در حالی که از سایر روش‌های یادگیری ماشینی بهتر عمل می‌کند.
فراتر از پیتزاسازی، این روش را می‌توان در محیط‌های دیگری که یک ربات نیاز به دستکاری اشیاء تغییر شکل‌پذیر دارد، مانند ربات مراقبت‌کننده‌ای که به افراد مسن یا دارای اختلالات حرکتی غذا می‌دهد، حمام می‌کند یا لباس می‌پوشاند، استفاده شود.
یک برش بالاتر از بقیه
DiffSkill توانست از تکنیک‌های رایجی که بر یادگیری تقویتی تکیه می‌کنند، بهتر عمل کند، جایی که ربات یک کار را از طریق آزمون و خطا یاد می‌گیرد. در واقع، DiffSkill تنها روشی بود که توانست هر سه کار دستکاری خمیر را با موفقیت انجام دهد. لین می گوید جالب توجه است که محققان دریافتند که شبکه عصبی دانش آموز حتی می تواند از الگوریتم معلم بهتر عمل کند.
لین می‌گوید: «این مهارت‌ها را می‌توان برای حل وظایف پیچیده‌تر که فراتر از توانایی سیستم‌های ربات‌های قبلی است، به زنجیر کشید.
از آنجایی که روش آنها بر کنترل ابزارها (کاردک، چاقو، وردنه و غیره) متمرکز است، می‌توان آن را برای روبات‌های مختلف اعمال کرد، اما تنها در صورتی که از ابزارهای خاصی که محققان تعریف کرده‌اند استفاده کنند. در آینده، آنها قصد دارند شکل یک ابزار را در استدلال شبکه "دانشجو" ادغام کنند تا بتوان آن را در تجهیزات دیگر اعمال کرد.
مترجم: محمدرضا قشقایی زاده
منبع: scitechdaily
