تعلمنا الروبوتات الحركة، والآن نعلمها الحياة

الروبوتات الحديثة قد وصلت إلى مرحلة حيث لم يعد الحرك هو التحدي الرئيسي – يمكن للماكينات التنقل والتشغيل في الفضاء بدقة مثيرة للإعجاب. ومع ذلك ، فإن تمكينها من “العيش” والعمل في العالم الحقيقي لا يزال مشكلة غير محلولة.

في هذه العملية ، يلعب الدور الرئيسي ما يمكن أن يسمى “الحبل الشوكي” : النظام المسؤول عن الاستجابات الأساسية والسلوك والتفاعل مع البيئة.

عندما تنظر إلى تطور الروبوتات من خلال هذا المنظور ، يصبح واضحًا أن هذه التسلسل من المراحل – حيث يتعلم النظام شيئًا جديدًا في كل خطوة ، من الحركة البسيطة إلى الأفعال المعقدة التي تدرك السياق – يشبه إلى حد كبير التطور البشري.

وعندما ننظر إلى تطور الروبوتات من خلال هذا المنظور ، يصبح واضحًا أن هذا التسلسل من المراحل – حيث يتعلم النظام شيئًا جديدًا في كل خطوة ، من الحركة البسيطة إلى الأفعال المعقدة التي تدرك السياق – يشبه إلى حد كبير التطور البشري.

أساس الروبوتات: مرحلة نادرة المناقشة

ما هو الروبوت في المصطلحات العملية؟ إنه جهاز فيزيائي تم إنشاؤه في البداية كمنصة عالمية. في جوهره ، إنه “فراغ” يجب تعديله لتحقيق مهام محددة ، وتدريبه للعمل في بيئة معينة ، وتعليمه أداء الإجراءات المطلوبة.

إذا تجاوزنا السيناريوهات اليومية وافترضنا تطبيقات будущية قريبة أكثر واقعية ، يصبح واضحًا أن اعتماد الروبوتات سوف يحدث في الغالب في البيئات الصناعية والخطرة المحتملة. وهذا بدوره يعني متطلبات أعلى بكثير لسلوكهم ومتانتهم وجودة تدريبهم.

تبدأ العملية من الخطوة الأساسية – بناء الجهاز نفسه. يتم تجميع الروبوت من مكونات متعددة ، بما في ذلك المحركات والمرسلات والكاميرات والليزر. يمكن أن يكون بشريًا أو مجهزًا بالعجلات أو ثنائي القوائم أو رباعي القوائم – الشكل الثانوي. ما يهم هو أننا نصل في هذه المرحلة إلى جهاز عاملي ولكن لا يزال “فارغًا”.

المرحلة التالية هي تثبيت نموذج أساسي يخدم كأساس لسلوكه. في معنى واسع ، “النموذج” هو طبقة التحكم الوظيفية بأكملها. وهو مسؤول عن القدرات الأساسية: الحفاظ على التوازن والوقوف والحركة والتنقل من نقطة إلى أخرى ، وتجنب العوائق ، وعدم إتلاف البيئة ، والتفاعل الآمن مع البشر.

هنا يأتي دور التعلم بالتعزيز. في مثل هذه الأنظمة ، يتم تشغيل مليارات المحاكاة. غالبًا ما نرى مقاطع فيديو لروبوتات “تتعلم” في بيئات معقدة: يقع معظمهم أو يفقد التوازن أو يفشل في إكمال المهمة. ولكن أولئك الذين ينجحون في البقاء منتصبين ويستمرون في الحركة هم الذين يتقدمون.

هذا هو جوهر التعلم بالتعزيز: اختيار السلوك الناجح. يتم تحويل خوارزميات أولئك الذين “يبقون على قيد الحياة” إلى أساس للتكرارات التالية. ونتيجة لذلك ، بعد عدد هائل من التشغيل ، يظهر نموذج يمكنه التعامل بثقة مع العوائق. ثم يتم نقل هذا الخوارزم إلى الجهاز الفعلي.

هذه مرحلة راسخة ولكنها حاسمة – غالبًا ما تتضمن القليل من الرؤية الحاسوبية ، والتي لا تكون مطلوبة في هذه النقطة. ما نتعامل معه هنا هو الفيزياء الأساسية والآلية التي يجب دمجها في النظام من البداية.

كيف تبدأ الروبوتات في “شعور” العالم

لدينا بالفعل “الأجهزة” – روبوت مع نموذج أساسي مثبت: يمكنه الوقوف والمشي والحفاظ على التوازن. ولكن هل هذا كافٍ للمهام في العالم الحقيقي ، على سبيل المثال ، في البيئات الصناعية؟ واضح أن لا.

تبدأ المرحلة التالية هنا. ندمج المرسلات وندرب النموذج على التصرف بناءً على الإدخال الحسي. تظهر طبقة جديدة من المهارات الأساسية – بالفعل أكثر تعقيدًا من الحركة البسيطة.

التناظر مع التطور البشري مفيد هنا. في المرحلة الأولى ، أعدنا النظام إلى مستوى الطفل الذي يبلغ من العمر عامًا واحدًا: يمكنه الوقوف وخطواته الأولى والحفاظ على التوازن دون السقوط. الخطوة التالية أكثر في خطوة مع مستوى طفل يبلغ من العمر ثماني سنوات.

في هذا العمر ، يستخدم الطفل نشاطًا “مرسلاته”: يمكنه إدراك المخاطر وتقييم عواقب أفعالهم. يمكنه فهم عدم لمس شيء ساخن أو وضع شيء بارد جدًا في فمه. يمكنه الصعود إلى طاولة أو ركوب دراجة والتفاعل مع الأشياء. إنه قادر على الإمساك والتحمل والتعامل مع الأشياء وأداء الإجراءات الأساسية للعناية الذاتية.

نسمي هذه المرحلة التدريب المسبق. وفي هذه النقطة ، لم يعد المحاكاة كافية.

نعم ، يمكن نمذجة بعض السيناريوهات بشكل فعال: كيفية رفع كوب أو استبدال بطارية ، على سبيل المثال ، إزالة مكون واحد ، ووضعه على الشحن ، وأخذ آخر ، وتثبيته مرة أخرى.

لكن بشكل عام ، يتحول التوازن: حوالي 80٪ من التدريب يمكن أن يظل يحدث في المحاكاة ، بينما يجب أن تأتي حوالي 20٪ من البيانات من العالم الحقيقي. وهنا نبدأ في مناقشة بيانات الإيجوسنتريك.

بيانات الإيجوسنتريك كأساس لفهم البيئة

اليوم ، يتم جمع بيانات إيجوسنتريك على نطاق واسع في جميع أنحاء العالم – لأن بدونها ، من المستحيل الانتقال من الميكانيكا الأساسية إلى التفاعل المهم مع العالم الحقيقي. زميل لي ، الذي يدير شبكة من محلات إصلاح السيارات ، لديه موظفون يستخدمون كاميرات مثبتة على الرأس لتسجيل عملية إصلاح السيارة بأكملها. صاحب مبنى في مدينة نيويورك نفذ نهجًا مشابهًا: يرتدي موظفو التنظيف كاميرات مثبتة على الجبهة لتسجيل كيفية تنظيف الفراغات والحفاظ على المناطق الصحية.

بمرور الوقت ، تصبح هذه التسجيلات منتجًا مستقلًا – يتم تجميعها وبيعها. قيمتها الرئيسية تكمن في ملاءمتها لمرحلة التدريب المسبق ، مما يساعد في بناء فهم أساسي للبيئات وتسلسلات الإجراءات.

على سبيل المثال ، كان هناك خدمة مثل Keymakr ، حيث أنشأ الفريق بشكل مستقل مجموعات كاملة من بيانات إيجوسنتريك من سيناريوهات بسيطة مثل غسل الأطباق إلى سيناريوهات أكثر تعقيدًا.

لماذا هذا مهم؟ لأن هذه البيانات توفر شيئًا لا يمكن للمحاكاة النقية تقديمه – تنوع البيئات الحقيقية. المكاتب وورش إصلاح السيارات ومواقع البناء والمطاعم والفنادق – كل هذه تضيف سياقها وسيناريوهاتها و细ياتها. معًا ، يشكلون مجموعة بيانات تسمح للنظام ليس فقط “رؤية” ، ولكن أيضًا بدء فهم ديناميكيات العالم الحقيقي.

في هذه المرحلة ، الهدف لم يعد تعليم روبوت لتنفيذ إجراء معين بشكل مثالي. ما يهم أكثر هو تمكينها من التوجه في محيطها في المقام الأول.

اليوم ، تقريبًا جميع الشركات التي تعمل في مجال الروبوتات – من تيسلا إلى Unitree Robotics و Figure AI – تركز على هذه المرحلة بالضبط. هدفهم هو بناء نموذج أساسي يتشابه مع قدرات “طفل يبلغ من العمر ثماني سنوات” ، ثم التقدم نحو “طفل يبلغ من العمر اثني عشر عامًا”. هذا ما نركز عليه في Introspector – إعداد البيانات المطلوبة للتدريب المسبق ، المرحلة الأكثر أهمية في “بلوغ سن الرشد” للروبوتات الحديثة.

المرحلة الأخيرة من التدريب: حيث تنتهي الشمولية وتبدأ التخصص

لنفترض أن روبوتًا قد أكمل بالفعل التدريب المسبق وتم تصنيعه من البداية مع فهم أساسي للعالم ومهارات قابلة للمقارنة مع تلك التي لدى مراهق.

لكن هذا لا يزال غير كافٍ لاستخدامات الأعمال الحقيقية. الشركات لا تحتاج إلى روبوت “عالمي” فقط -她们 تحتاج إلى متخصص.

خذ على سبيل المثال تصنيع السيارات. بعض المهام لا تزال تؤدى بواسطة البشر لأنها تتطلب حساسية ودقة ومراقبة بصرية مستمرة. التأتمتة التقليدية تكافح هنا. المناورات الصناعية تتفوق في المهام المتكررة والصلبة – “اختر ، انتقل ، ضع”. لكن المهام التي تتطلب مرونة وضغط وحساسية في الوقت الفعلي لا تزال في نطاق البشر.

هنا تظهر demande جديدة: تدريب روبوت على أداء عملية محددة بالضبط مثل عامل ماهر على خط الإنتاج. بمعنى آخر ، بعد التدريب الأساسي يأتي المستوى التالي: التدريب على مهنة وموقف محددين.

في هذه النقطة ، تظهر سؤال عملي: ما الذي يُطلب بالضبط لهذا المستوى من التدريب؟ إذا كنا نريد روبوتًا ليتكرر أداء الإنسان ، فنحن بحاجة إلى التقاط سلوك الإنسان بدقة. على سبيل المثال ، يجب على الخبير على أرضية المصنع ارتداء كاميرا وتسجيل كيفية أداء المهمة على مدار فترة طويلة ، أشهر أو حتى عام.

ما يُطلب من الروبوتات “لتحيا” في العالم البشري

الكاميرا وحدها غير كافية. من الضروري التقاط ليس فقط المنظور البصري ولكن أيضًا فيزياء الحركة. يتم ذلك باستخدام قفازات متخصصة مع حساسات تكتيلية تقيس الضغط والقوة المطبقة وطبيعة التفاعل مع الأشياء. هذا مهم بشكل خاص لأن الأشياء نفسها يمكن أن تختلف بشكل كبير. على سبيل المثال ، قد تختلف شريط التغليف في صلابة حسب طراز السيارة ، مما يؤثر مباشرة على كيفية أداء المهمة.

يأتي بعد ذلك تتبع الكينماتيكي. يتم وضع علامات – بصرية أو قائمية على الحس – على المعصم والكوع وأحيانًا الكتف. يمكن أن تشمل ، على سبيل المثال ، سوارات مع علامات قابلة للتعرف (مثل رموز QR) التي تسمح للنظام تتبع موقع اليد في الفضاء من الفيديو. يتم استخدام حساسات إضافية ، مثل الجيروسكوب ، لالتقاط حركات المفاصل.

الهدف النهائي هو إعادة بناء ميكانيكا الحركة بالكامل: كيف يتحرك الكتف ، كيف ينحني الكوع ، كيف يدور المعصم. كل هذا يصبح ضروريًا للمرحلة التالية – التدريب اللاحق.

إذا كنا في التدريب المسبق يمكننا依赖 على المحاكاة جزئيًا ، في هذه المرحلة لم يعد ذلك يعمل. هذه “المرحلة الأخيرة” تقريبًا من المستحيل نمذجته بدقة. لا يمكنك محاكاة كيفية لف عجينة الخبز – القوة المطبقة ، وكيف يتم توزيع الضغط ، وكيف يتم الشعور بالمادة.

لذلك ، خلال التدريب اللاحق ، يجب أن تأتي几乎 جميع البيانات من العالم الحقيقي. وهنا يصبح واضحًا: التحدي الرئيسي يتحول إلى المجال العملي – كيفية الحصول على هذه البيانات في الواقع. جمع بيانات إيجوسنتريك على هذا المستوى هو عملية معقدة متعددة الخطوات تتضمن الوصول إلى البيئات والمعدات المتخصصة ومشاركة العمال المهرة والتحضير اللاحق للبيانات.

خارج النظرية ، هذا هو المكان الذي “تأتي فيه الروبوتات إلى الحياة” – بعد أن ننجح في تنظيم هذه العملية ، وتحقيق القيود التي تواجهها الفرق عبر الصناعات ، وتعليمة هذه المجموعات من البيانات على نطاق واسع. هذا سوف يتم تغطيته في الجزء التالي ، حيث سننظر بعمق إلى جميع التحديات التي تظهر أثناء تعليمها وتنظيمها.