أنظمة الذكاء الاصطناعي الجديدة تتحول إلى تكيّف الروبوتات مع الفضاءات الحقيقية

لقد واجهت مجال الروبوتات تحديًا كبيرًا منذ فترة طويلة: تدريب الروبوتات على العمل بشكل فعال في البيئات الحقيقية الديناميكية. بينما تتفوق الروبوتات في الإعدادات المهيكلة مثل خطوط التجميع، أثبت تدريبها على التنقل في الطبيعة غير المتوقعة للمنازل والمساحات العامة أنه مهمة صعبة. العائق الرئيسي؟ نقص في البيانات الحقيقية المتنوعة المطلوبة لتدريب هذه الآلات.

في تطور جديد من جامعة واشنطن، كشف الباحثون عن نظامين ذكاء اصطناعي مبتكرين يمكن أن يتحول إلى كيفية تدريب الروبوتات على سيناريوهات حقيقية معقدة. هذه الأنظمة تستخدم قوة الفيديو والصور لإنشاء محاكاة واقعية لتدريب الروبوتات.

RialTo: إنشاء توائم رقمية لتدريب الروبوتات

النظام الأول، الذي سمي RialTo، يقدم نهجًا جديدًا لإنشاء بيئات تدريب للروبوتات. يسمح RialTo للمستخدمين بإنشاء “توأم رقمي” – نسخة افتراضية لمساحة فيزيائية – باستخدام هاتف ذكي فقط.

الدكتور أبشيك غوبتا، أستاذ مساعد في جامعة واشنطن في مدرسة بول ج. آلن لعلوم الحاسوب والهندسة وزميل كبير في الدراسة، يشرح العملية: “يمكن للمستخدم مسح المساحة بسرعة باستخدام هاتف ذكي لتسجيل هندستها. ثم يخلق RialTo محاكاة ‘توأم رقمي’ للمساحة”.

هذا التوأم الرقمي ليس مجرد نموذج ثلاثي الأبعاد ساكن. يمكن للمستخدمين التفاعل مع المحاكاة، ووضع كيفية عمل الأشياء المختلفة في المساحة. على سبيل المثال، يمكنهم إظهار كيفية فتح الأدراج أو تشغيل الأجهزة. هذا التفاعل ضروري لتدريب الروبوت.

مرة واحدة يتم إنشاء التوأم الرقمي، يمكن للروبوت الافتراضي ممارسة المهام بشكل متكرر في هذا البيئة المحاكاة. من خلال عملية تعلم تعزيزي، يتعلم الروبوت أداء المهام بشكل فعال، حتى مع أخذ العواقب المحتملة أو التغييرات في البيئة.

جمال RialTo يكمن في قدرته على نقل هذا التعلم الافتراضي إلى العالم الحقيقي. يشير غوبتا إلى: “يمكن للروبوت نقل هذا التعلم إلى البيئة الفيزيائية، حيث يكون دقيقًا تقريبًا مثل روبوت تم تدريبه في المطبخ الحقيقي”.

URDFormer: إنشاء محاكاة من الصور على الإنترنت

في حين يركز RialTo على إنشاء محاكاة دقيقة للمساحات المحددة، يأخذ النظام الثاني، URDFormer، نهجًا أوسع. يهدف URDFormer إلى إنشاء مجموعة واسعة من المحاكاة العامة بسرعة وبكفاءة من حيث التكلفة.

زووي تشين، طالب دكتوراه في جامعة واشنطن وكاتب رائد في دراسة URDFormer، يصف نهج النظام الفريد: “يتم مسح URDFormer للصور من الإنترنت وتركيبها مع نماذج موجودة لحركة الأدراج والخزائن في المطبخ، على سبيل المثال. ثم يتوقع محاكاة من الصورة الحقيقية الأولية”.

تسمح هذه الطريقة للباحثين بإنشاء مئات من البيئات المحاكاة المتنوعة بسرعة. بينما قد لا تكون هذه المحاكاة دقيقة مثل تلك التي تم إنشاؤها بواسطة RialTo، فإنها توفر ميزة حاسمة: النطاق. القدرة على تدريب الروبوتات عبر مجموعة واسعة من السيناريوهات يمكن أن تعزز من قابليتها للتكيف مع مختلف الحالات الحقيقية.

يشدد تشين على أهمية هذا النهج، خاصة في المنازل: “المنازل فريدة ومتغيرة باستمرار. هناك تنوع في الأشياء، والمهام، وخطط الطوابق، والأشخاص الذين يتنقلون من خلالها. هذا هو المكان الذي يصبح الذكاء الاصطناعي مفيدًا حقًا للروبوتات”.

من خلال الاستفادة من الصور على الإنترنت لإنشاء هذه المحاكاة، يقلل URDFormer بشكل كبير من التكلفة والوقت اللازمين لإنشاء بيئات التدريب. يمكن أن يسرع هذا التطور من تطوير الروبوتات القادرة على العمل في بيئات حقيقية متنوعة.

دمقرطة تدريب الروبوتات

ت introducer RialTo وURDFormer يمثلان قفزة كبيرة نحو دمقرطة تدريب الروبوتات. هذه الأنظمة لها إمكانية تقليل التكاليف المرتبطة بإعداد الروبوتات للبيئات الحقيقية، مما يجعل التكنولوجيا أكثر إمكانية الوصول إلى الباحثين والمطورين وربما حتى المستخدمين النهائيين.

يشير الدكتور غوبتا إلى الإمكانيات الديمقراطية لهذه التكنولوجيا: “إذا كنت تستطيع الحصول على روبوت يعمل في منزلك فقط من خلال مسحه ب هاتفك، فإن ذلك يدمقرطة التكنولوجيا”. يمكن أن تسهم هذه الإمكانية في تسريع تطوير واعتماد الروبوتات المنزلية، مما يجعلهم أقرب إلى مستقبل حيث تكون الروبوتات المنزلية شائعة مثل الهواتف الذكية.

الآثار على الروبوتات المنزلية هي خاصة مثيرة. نظرًا لأن المنازل تمثل واحدة من أكثر البيئات تحديًا للروبوتات بسبب طابعها المتنوع والمتغير، يمكن أن تكون هذه الأساليب الجديدة لتدريب الروبوتات محورية. من خلال تمكين الروبوتات من التعلم والتكيف مع تخطيطات المنازل وروتينها الفردية، قد نرى جيلًا جديدًا من مساعدي المنزل الحقيقيين القادرين على أداء مجموعة واسعة من المهام.

النهج المكمل: التدريب المسبق والتنفيذ المحدد

في حين يأخذ RialTo وURDFormer نهجين مختلفين لتحدي تدريب الروبوتات، فهما ليسا مستثنين بشكل متبادل. في الواقع، يمكن لهذه الأنظمة العمل معًا لتقديم برنامج تدريب أكثر شمولاً للروبوتات.

“النهجان يمكن أن يكونا مكملين لبعضهما البعض،” يشرح الدكتور غوبتا. “URDFormer مفيد حقًا للتدريب المسبق على مئات السيناريوهات. RialTo مفيد بشكل خاص إذا كنت قد قمت بالفعل بتدريب روبوت، والآن تريد تنفيذه في منزل شخص ما وتريد أن يكون بنسبة نجاح 95%”.

يسمح هذا النهج المكمل بمرحلة تدريب من مرحلتين. أولاً، يمكن للروبوتات التعرض لمجموعة واسعة من السيناريوهات باستخدام محاكاة URDFormer المولدة بسرعة. يساعد هذا التعرض الواسع الروبوتات على تطوير فهم عام للبيئات والمهام المختلفة. ثم، لتنفيذ محدد، يمكن استخدام RialTo لإنشاء محاكاة دقيقة للمساحة الحقيقية التي سيعمل فيها الروبوت، مما يسمح بتعدين مهاراته.

ينظر الباحثون إلى المستقبل لاستكشاف طرق لتعزيز هذه أساليب التدريب. يذكر الدكتور غوبتا الاتجاهات البحثية المستقبلية: “في المستقبل، يريد فريق RialTo نشر نظامهم في منازل الناس (لقد تم اختباره إلى حد كبير في مختبر)”. سيكون هذا الاختبار في العالم الحقيقي حاسمًا في تعدين النظام وضمان فاعليته في بيئات المنازل المتنوعة.

التحديات والآفاق المستقبلية

على الرغم من التقدم الواعد، لا تزال هناك تحديات في مجال تدريب الروبوتات. واحدة من القضايا الرئيسية التي يتصارع بها الباحثون هي كيفية الجمع بين البيانات الحقيقية ومحاكاة البيانات بشكل فعال.

يقر الدكتور غوبتا بهذا التحدي: “لا تزال لدينا لتحديد كيفية الجمع بين البيانات التي تم جمعها مباشرة في العالم الحقيقي، والتي تكون مكلفة، مع البيانات التي تم جمعها في المحاكاة، والتي تكون رخيصة ولكن خاطئة قليلاً”. الهدف هو العثور على التوازن الأمثل الذي يستفيد من كفاءة التكلفة للمحاكاة مع الحفاظ على الدقة التي توفرها البيانات الحقيقية.

يمكن أن يكون التأثير على صناعة الروبوتات كبيرًا. يمكن أن تسهم هذه الأساليب الجديدة لتدريب الروبوتات في تسريع تطوير روبوتات أكثر قدرة وتكيفًا، مما قد يؤدي إلى اختراقات في مجالات تتراوح من المساعدة المنزلية إلى الرعاية الصحية وما بعدها.

علاوة على ذلك، مع تحسين هذه أساليب التدريب وزيادة إمكانية الوصول إليها، قد نشهد تحولًا في صناعة الروبوتات. يمكن للشركات الصغيرة والمطورين الفرديين حتى الحصول على الأدوات لتدريب روبوتات متقدمة، مما قد يؤدي إلى طفرة في تطبيقات الروبوتات المبتكرة.

الآفاق المستقبلية مثيرة. مع زيادة قدرة الروبوتات على التنقل والتفاعل مع البيئات الحقيقية، قد نرى روبوتات تتولى مهام معقدة بشكل متزايد في المنازل والمكاتب والمستشفيات والمساحات العامة.