رباتیک ها سیستم های پیشرفته بسیاری را در حدود یک دهه گذشته توسعه داده اند، با این حال بیشتر این سیستم‌ها هنوز به درجاتی از نظارت انسانی نیاز دارند. در حالت ایده آل، ربات‌های آینده باید محیط های ناشناخته را به طور مستقل کاوش کرده و به طور مداوم داده‌ها را جمع آوری کنند.
به گزارش سیناپرس، محققان دانشگاه کارنگی ملون اخیرا رباتی به نام آلان (ALAN) را ایجاد کردند که یک عامل رباتیک است که می تواند به طور مستقل محیط های ناآشنا را کاوش کند. پس از چند آزمایش اکتشافی کوتاه، مشخص شد که این ربات می تواند وظایف خود را در دنیای واقعی با موفقیت انجام می دهد.
راسل مندونکا (Russell Mendonca) یکی از محققانی که این مطالعه را انجام داده است گفت: ما علاقه مند به ساخت یک هوش مصنوعی بوده ایم که با تعیین اهداف خود یاد می گیرد. با وابسته نکردن این ربات به انسان برای نظارت یا راهنمایی، چنین عواملی می توانند به یادگیری در سناریوهای جدید ادامه دهند که توسط کنجکاوی هدایت می شود. این امر تعمیم مداوم به حوزه های مختلف و کشف رفتارهای پیچیده فزاینده را امکان پذیر می کند.
گروه رباتیک در دانشگاه کارنگی ملون قبلاً برخی از عوامل مستقل را معرفی کرده بود که می توانستند کارهای جدید را با آموزش کم یا بدون آموزش اضافی به خوبی انجام دهند. با این حال، این سیستم ها فقط در محیط های شبیه سازی شده آموزش و آزمایش شدند.
هدف اصلی مطالعه اخیر، ایجاد چارچوبی بود که می توان آن را برای ربات‌های فیزیکی در جهان اعمال کرده و توانایی آنها را برای کشف محیط اطراف و تکمیل وظایف جدید بهبود بخشید. سیستم ALAN به ربات ها کمک می کند تا یاد گرفته و محیط خود را به طور مستقل و بدون دریافت پاداش یا راهنمایی از سوی عوامل انسانی، کشف کند. متعاقباً، این سیستم می تواند آنچه را که در گذشته آموخته است، برای مقابله با وظایف یا مشکلات جدید به کار گیرد.
مندونکا در ادامه توضیح می دهد: آلان مدل جهانی را می آموزد که در آن اقدامات خود را برنامه ریزی کند و خود را با استفاده از اهداف محیط محور و عامل محور هدایت می کند. همچنین با استفاده از آشکارسازها، فضای کاری را به منطقه مورد علاقه کاهش می دهد. به گزارش سیناپرس، پس از کاوش، ربات می تواند مهارت های کشف شده را برای انجام وظایف تک مرحله ای و چند مرحله ای مشخص شده از طریق اتصال تصاویر هدف انجام دهد.
ربات محققین دارای یک ماژول بصری است که می تواند حرکات اجسام را در محیط اطراف خود تخمین بزند. سپس این ماژول از این تخمین‌ها از نحوه حرکت اجسام برای به حداکثر رساندن تغییر در اشیا و تشویق ربات برای تعامل با این اشیاء استفاده می کند.
به گزارش سیناپرس، مندونکا همچنین گفت: این ربات یک سیگنال محیطی محور است، زیرا به باور عامل وابسته نیست. آلان برای بهبود تخمین خود از تغییر در اشیا، باید در مورد آن کنجکاو باشد. برای این کار، ALAN از مدل آموخته شده خود از جهان برای شناسایی اقداماتی که در مورد تغییر شیء پیش بینی شده نامطمئن است، استفاده کرده و سپس آنها را به صورت واقعی اجرا می کند.
به گفته محققان، روش‌های پیشنهادی قبلی برای اکتشاف ربات‌های مستقل به مقادیر زیادی از داده‌های آموزشی نیاز داشت. این امر از استقرار آنها در ربات های واقعی جلوگیری کرده یا به طور قابل توجهی آن را محدود می کند. در مقابل، رویکرد یادگیری پیشنهاد شده توسط مندونکا و همکارانش به ربات ALAN اجازه می دهد تا به طور مداوم و مستقل انجام وظایف را در حین کاوش در محیط اطراف خود بیاموزد.
شرح کامل این ربات و قابلیت های آن در مجله تخصصی arXiv منتشر شده است.
مترجم: سامیه خسروی زاده
No tags for this post.