روبوتات الجسم الناعم أكثر كفاءة مع الشبكة العصبية الجديدة للتعلم العميق

تُعد روبوتات الجسم الناعم أداة مهمة للغاية في مجال الروبوتات الأوسع، لأن الروبوتات التقليدية والصلبة لا تستطيع إنجاز نفس النوع من المهام. وتتفاعل الأولى مع البشر بطريقة أكثر أمانًا، ويمكنها القيام بأشياء مثل التأقلم في المساحات الضيقة.

من التحديات الرئيسية المرتبطة بالروبوتات الناعمة هي أن عليها أن تعرف مكان جميع أجزاء جسمها لإنجاز المهام المبرمجة، وهذا يصبح أكثر صعوبة مع khảية روبوتات الجسم الناعم التغير بشكل لا نهائي.

الآن، قام باحثون في معهد ماساتشوستس للتكنولوجيا بتطوير خوارزمية تعلم عميق جديدة تساعد المهندسين على تصميم روبوتات الجسم الناعم بطريقة تمكنهم من جمع المزيد من البيانات حول محيطهم. تعمل الخوارزمية عن طريق اقتراح موقع مثالي للمستشعرات داخل جسم الروبوت. هذا يسمح لها بإنجاز المهام المحددة أثناء التفاعل مع البيئة.

ألكسندر أميني هو المؤلف المشارك للبحث مع أندرو سبيلبرغ، وهم طلاب دكتوراه في معمل علوم الحاسوب والذكاء الاصطناعي في معهد ماساتشوستس للتكنولوجيا. ونشر البحث في IEEE Robotics and Automation Letters مع مؤلفين مشاركين آخرين بما في ذلك ليليان تشين، طالب دكتوراه، وووجييتش ماتوسيك ودانيلا روس، أستاذين في الجامعة.

“النظام لا يتعلم فقط المهمة المحددة، بل أيضًا كيفية تصميم الروبوت بشكل أفضل لإنجاز تلك المهمة”، يقول أميني. “موقع المستشعرات هو مشكلة صعبة للغاية لحلها. لذلك، الحصول على الحل هو أمر مثير للغاية”.

https://www.youtube.com/watch?v=MSa7D0FvxqY

الروبوتات الصلبة مقابل الروبوتات الناعمة

من أهم مزايا الروبوتات الصلبة هي أن لديها نطاقًا محدودًا من الحركة، و虽然 هذا يبدو وكأنه عيب، إلا أنه يعني أن عددًا محدودًا من المفاصل والأطراف يؤدي إلى حسابات أكثر إدارة.

تكون هذه الحسابات أسهل في العمل معها عند التعامل مع الخوارزميات التي تتحكم في الخريطة والتخطيط الحركي. لا تستطيع الروبوتات الناعمة القيام بنفس الشيء لأنها مرنة.

“المشكلة الرئيسية مع الروبوتات الناعمة هي أنها لا حصر لها من الناحية البعدية”، يقول سبيلبرغ. “يمكن لأي نقطة على روبوت الجسم الناعم، في النظرية، أن تتغير بطريقة ما.

في الماضي، استخدم الباحثون كاميرا خارجية لتحديد موقع الروبوت، والتي يتم إطعامها بعد ذلك إلى برنامج التحكم في الروبوت. بحث الفريق الحالي عن طريقة لإنشاء روبوت ناعم غير متصل بالمساعدة الخارجية.

“لا يمكنك وضع عدد لا حصر له من المستشعرات على الروبوت نفسه”، يواصل سبيلبرغ. “لذلك، السؤال هو: كم عدد المستشعرات التي لديك، وأين تضع تلك المستشعرات للحصول على أكبر قدر من الفائدة؟”.

قام الباحثون بتطوير بنية شبكة عصبية جديدة يمكنها تحسين موقع المستشعرات وتعلم إنجاز المهام بفعالية. قاموا أولاً بتقسيم جسم الروبوت إلى مناطق مختلفة تسمى “جسيمات”.

استخدمت الشبكة العصبية معدل الانفعال لكل جسيمة كمدخل، ومن خلال التجربة والخطأ، يمكن للشبكة أن تتعلم التسلسل الأكثر كفاءة من الحركات لمهمة معينة. كما تقوم الشبكة بتعقب الجسيمات التي تستخدم أكثر من غيرها حتى يمكن تعديل مدخلات الشبكة.

تجاوز البشر في وضع المستشعرات

تقترح الشبكة موقع المستشعرات على الروبوت عن طريق تحسين الجسيمات الأكثر أهمية. في الاختبارات، تفوقت الخوارزمية على البشر عند تحديد الأماكن الأكثر كفاءة لوضع المستشعرات.

ثم تم اختبار الخوارزمية ضد سلسلة من التنبؤات الخبيرة.

“نموذجنا تفوق بشكل كبير على البشر في كل مهمة، على الرغم من أنني نظرت إلى بعض أجسام الروبوتات وfeltت非常 واثقًا من حيث يجب وضع المستشعرات”، يقول أميني. “يبدو أن هناك العديد من الدقة في هذه المشكلة أكثر مما توقعنا في البداية”.

وفقًا لسبيلبرغ، يمكن أن يساعد التطور الجديد في توفير عملية تصميم الروبوت وتطوير خوارزميات جديدة للتحكم في حركة الروبوت.

“نحن بحاجة أيضًا إلى التفكير في كيفية تزويد هذه الروبوتات بالمستشعرات، وكيف سيتفاعل ذلك مع مكونات أخرى من النظام”، يقول. “هذا شيء تحتاج فيه إلى إحساس قوي ومتأصل جيدًا. لذلك، هناك إمكانية لتأثير فوري”.

“تأتمتة تصميم روبوتات الجسم الناعم المجهزة بالمستشعرات هو خطوة مهمة نحو إنشاء أدوات ذكية سريعة تساعد الناس في المهام الجسدية”، يقول روس. “المستشعرات هي جانب مهم من العملية، لأنها تمكن الروبوت الناعم من “رؤية” وفهم العالم وعلاقته بالعالم”.