بهره برداری از ربات های هوش مصنوعی!

به گزارش ای بی اس نیوز و به نقل از IAاکثر ربات هایی که امروزه می بینیم می توانند وظایف خاصی را با دخالت اندک انسان انجام دهند. به عنوان مثال، یک بازوی روباتیک وجود دارد که قادر به چیدن گوجه فرنگی در مزارع است. 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 حال، ماشین ها اغلب با محدودیت های هندسی و فیزیکی مانند پایداری و اجتناب از موانع مواجه هستند. برای اجتناب از این محدودیت‌ها، محققان مؤسسه فناوری ماساچوست (MIT) مدل‌های مختلفی را با یکدیگر ترکیب کردند که هر کدام به طور متفاوتی از حذف این محدودیت‌ها استقبال کردند تا مدل جدیدی ایجاد کنند که قادر به یافتن راه‌حل‌های جمعی باشد.

مشکلات بسته بندی را حل کنید

این مدل که حل‌کننده محدودیت انتشار-پیوسته (CCSP) نام دارد، خانواده‌ای از مدل‌های انتشار را یاد می‌گیرد و نوعی مدل هوش مصنوعی مولد است که با هم آموزش داده می‌شود. بنابراین، دانش هایی مانند هندسه اشیایی را که روبات ها با آنها مشکل دارند، یاد می گیرد.

روش محققان از هوش مصنوعی مولد برای کمک به ربات‌ها برای حل مشکلات حمل‌ونقل مانند حمل و نقل موانع و پایداری استفاده می‌کند. در این میان، راه حل های سنتی برای حل این مشکلات زمان بر است.

ژوتیان یانگ، دانشجوی کارشناسی ارشد مهندسی برق و کامپیوتر و نویسنده اصلی این مطالعه، گفت: «دیدگاه من این است که ربات‌ها را برای انجام کارهای پیچیده‌تر که محدودیت‌های هندسی بیشتری دارند و تصمیم‌گیری‌های مستمر بیشتری انجام می‌دهند، سوق دهم. اینها انواع مشکلاتی است که روبات های خدماتی در محیط های انسانی غیرساختارمند و متنوع ما با آن مواجه هستند.

وی افزود: اکنون با ابزار قدرتمند مدل‌های هیبریدی دیفیوژن می‌توان این مشکلات پیچیده‌تر را حل کرد و به نتایج عالی دست یافت. »

همه محدودیت ها را به طور همزمان در نظر بگیرید

انگیزه اصلی محققان حل مشکلات فرعی بود که در طول برنامه ریزی کلی ربات به وجود می آید. محققان این موضوع را در بیانیه مطبوعاتی خود با استفاده از نمونه بسته بندی و مونتاژ قطعات در خودرو توضیح دادند. آنها توضیح دادند که یک محدودیت ممکن است مستلزم این باشد که یک شی خاص در کنار شی دیگر قرار گیرد، در حالی که محدودیت دوم ممکن است مشخص کند که یکی از آن اشیاء باید در کجا قرار گیرد. با Diffusion-CCSP، محققان می‌خواستند وابستگی متقابل محدودیت‌ها را کشف کنند.

یانگ افزود: ما همیشه در نگاه اول به راه حل نمی رسیم. اما زمانی که راه حل را اصلاح می کنید و مشکلی پیش می آید، باید شما را به راه حل بهتری هدایت کند. شما با اشتباهات هدایت می شوید.

او توضیح داد که آموزش مدل‌های فردی زمان‌بر، پرهزینه و نیازمند داده‌های آموزشی زیادی است. تیم او یک رویکرد جایگزین پیشنهاد کرد. آنها از الگوریتم‌های سریع برای تولید جعبه‌های تقسیم‌بندی شده استفاده کردند، مجموعه‌ای متنوع از اشیاء سه بعدی را در هر بخش قرار دادند و از بسته‌بندی محکم، حالت‌های پایدار و راه‌حل‌های بدون برخورد اطمینان حاصل کردند.

یانگ می گوید با این فرآیند، تولید داده در شبیه سازی تقریباً آنی است. ما می‌توانیم ده‌ها هزار محیط ایجاد کنیم که بدانیم مشکلات قابل حل هستند.

یانگ و تیمش امیدوارند مدل خود را در موقعیت‌های پیچیده‌تر بدون نیاز به آموزش داده‌های جدید آزمایش کنند.

این مطالعه در پایگاه داده Arxiv منتشر شده است.

انتهای پیام