استثمار ربات ها با هوش مصنوعی!
می هاست: دانشمندان مؤسسه فناوری ماساچوست(MIT) از هوش مصنوعی برای وادار کردن یک ربات به انجام چندین کار استفاده می نمایند.
به گزارش می هاست به نقل از ایسنا و به نقل از آی ای، اغلب ربات هایی که امروزه می بینیم، می توانند وظایف خاصی را با دخالت اندک انسان انجام دهند. به عنوان مثال، یک بازوی رباتیک وجود دارد که می تواند گوجه فرنگی را از مزارع برداشت کند. این ربات با محیط خود در تعامل است تا وظیفه چیدن گوجه فرنگی را انجام دهد که به آن «دستکاری رباتیک» می گویند.
با این وجود، ماشین ها اغلب با محدودیت های هندسی و فیزیکی مانند پایداری و عدم برخورد با موانع مواجهند. پژوهشگران مؤسسه فناوری ماساچوست (MIT) برای اجتناب از این محدودیت ها، مدلهای مختلفی را با هم ترکیب کرده اند که هر کدام به نوع متفاوتی به استقبال حل این محدودیت ها می رفتند تا مدل جدیدی را ایجاد کنند که بتواند راهکار هایی را بطور جمعی پیدا کند.
حل مشکلات بسته بندی
این مدل که «حل کننده محدودیت پیوسته انتشار ترکیبی»(Diffusion-CCSP) نامیده می شود، خانواده ای از مدلهای انتشار را یاد می گیرد و نوعی از مدلهای هوش مصنوعی مولد است که با هم آموزش داده می شوند. بدین سبب دانش هایی مانند هندسه اشیاء را که ربات ها با آنها چالش دارند، می آموزد.
روش پژوهشگران از هوش مصنوعی مولد برای مساعدت با ربات ها در حل مشکلات حمل و نقل مانند برخورد با موانع و پایداری استفاده می نماید. این در حالیست که راهکارهای سنتی برای حل این مشکلات، زمان بر هستند.
ژوتیان یانگ، دانشجوی کارشناسی ارشد مهندسی برق و علوم کامپیوتر و نویسنده اصلی این مطالعه می گوید: دیدگاه من این است که ربات ها را به انجام وظایف پیچیده تر که دارای محدودیت های هندسی زیادی هستند و تصمیمات مستمرتری که باید گرفته شوند، سوق دهم. این ها انواع مشکلاتی هستند که ربات های خدماتی در محیط های انسانی بدون ساختار و متنوع ما با آن روبرو هستند.
وی ادامه داد: حالا با ابزار قدرتمند مدلهای انتشار ترکیبی می توانیم این مسائل پیچیده تر را حل نماییم و نتایج عالی به دست آوریم.
در نظر گرفتن همه محدودیت ها بطور همزمان
انگیزه اصلی پژوهشگران حل مشکلات فرعی بود که در طول برنامه ریزی کلی ربات ایجاد می شود. پژوهشگران این مساله را در بیانیه مطبوعاتی خود با بهره گیری از مثال بسته بندی و کنار هم قرار دادن قطعات در یک خودرو توضیح دادند. آنها گفتند که یک محدودیت ممکنست نیاز به یک شیء خاص در کنار یک شیء دیگر داشته باشد، در صورتیکه محدودیت دوم ممکنست مشخص نماید که یکی از آن اشیاء باید در کجا قرار گیرد. پژوهشگران با Diffusion-CCSP می خواستند به هم پیوستگی محدودیت ها را به تصویر بکشند.
یانگ اضافه کرد: ما همیشه در نخستین حدس به یک راهکار نمی رسیم. اما وقتی راهکار را اصلاح می کنید و مشکلی رخ می دهد، باید شما را به راهکار بهتری برساند. شما با اشتباه کردن راهنمایی می شوید.
وی توضیح داد که آموزش مدلهای فردی، زمان بر و پرهزینه است و به داده های آموزشی زیادی نیاز دارد. تیم او یک رویکرد جایگزین پیدا کرد. آنها از الگوریتم های سریع برای تولید جعبه های تقسیم بندی شده استفاده کردند و مجموعه متنوعی از اشیاء سه بعدی را در هر بخش قرار دادند و از بسته بندی محکم، حالت های پایدار و راهکارهای بدون برخورد اطمینان حاصل کردند.
یانگ می گوید: با این فرایند، تولید داده در شبیه سازی حدودا آنی است. ما می توانیم ده ها هزار محیط ایجاد نماییم که بدانیم مشکلات آن قابل حل هستند.
یانگ و تیمش امیدوارند مدل خودرا در موقعیت های پیچیده تر بدون نیاز به آموزش داده های جدید آزمایش نمایند.
این مطالعه در پایگاه Arxiv انتشار یافته است.
منبع: می هاست
این مطلب را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب