कंप्यूटर वैज्ञानिक रोबोट्स को पॉजिटिव रिनफोर्समेंट के माध्यम से सिखाते हैं

जॉन्स हॉपकिन्स विश्वविद्यालय के कंप्यूटर वैज्ञानिकों ने एक लंबे समय से चली आ रही प्रशिक्षण तकनीक, पॉजिटिव रिनफोर्समेंट, जो अक्सर जानवरों जैसे कुत्तों को प्रशिक्षित करने के लिए उपयोग की जाती है, को एक रोबोट पर तैनात किया है ताकि वह स्वयं नए कौशल सीख सके। उन नए कौशलों में से एक ब्लॉक्स को स्टैक करने की क्षमता थी।

रोबोट का नाम स्पॉट है, और शोधकर्ताओं के अनुसार, यह रोबोट उन कौशलों को सीखने में सक्षम है जो पारंपरिक रूप से एक महीने में सीखने में लगते हैं, जो कुछ दिनों में ही सीख लेता है।

पॉजिटिव रिनफोर्समेंट

पॉजिटिव रिनफोर्समेंट का उपयोग टीम ने रोबोट के कौशल सेट को बढ़ाने के लिए किया था। इसे इतनी तेजी से करने की क्षमता इस प्रकार के रोबोटों को वास्तविक दुनिया में तैनात करना आसान बनाती है।

यह कार्य आईईईई रोबोटिक्स और ऑटोमेशन लेटर्स में प्रकाशित किया गया था, जिसका शीर्षक था “गुड रोबोट! मल्टी-स्टेप विजुअल टास्क के लिए कुशल रिनफोर्समेंट लर्निंग सिम टू रियल ट्रांसफर के साथ।”

एंड्रयू हंट जॉन्स हॉपकिन्स विश्वविद्यालय में एक पीएचडी छात्र हैं और शोध के प्रमुख लेखक हैं।

“यहाँ вопрос यह था कि हम रोबोट को कौशल सिखाने के लिए कैसे प्राप्त करें?” उन्होंने कहा। “मेरे पास कुत्ते थे इसलिए मुझे पता था कि पुरस्कार काम करते हैं और यही मेरे लिए प्रेरणा थी कि मैंने सीखने के अल्गोरिदम को कैसे डिज़ाइन किया।”

कंप्यूटरों पर पॉजिटिव रिनफोर्समेंट का काम करने का एक कारण यह है कि उनमें सहज मस्तिष्क नहीं होते हैं, जिसका अर्थ है कि वे एक खाली कैनवास हैं जिस पर कुछ भी परियोजना किया जा सकता है। दूसरे शब्दों में, उन्हें सब कुछ सीखना होता है। कंप्यूटरों के लिए सीखने की सबसे प्रभावी विधियों में से एक परीक्षण और त्रुटि है, जिस पर रोबोटिक्स अभी भी काम कर रहे हैं।

यही बात शोधकर्ताओं ने की जब उन्होंने रोबोट के लिए एक पुरस्कार प्रणाली बनाई, जो एक कुत्ते को प्रशिक्षित करने की प्रक्रिया के समान है, लेकिन रोबोट को सही कार्य करने पर संख्यात्मक अंक मिलते हैं।

https://www.youtube.com/watch?v=dvxqjJBWFD4

सीखे गए कौशल

ब्लॉक्स को स्टैक करने के लिए, रोबोट को निर्माणात्मक क्रियाओं पर ध्यान केंद्रित करना सीखना पड़ा। इस विधि में, स्पॉट रोबोट को ब्लॉक्स को स्टैक करते समय सही व्यवहार करने पर उच्च अंक मिले। दूसरी ओर, यह गलत व्यवहार के लिए कुछ भी नहीं कमाता था। यह चार-ब्लॉक स्टैक को पूरा करने और आखिरी ब्लॉक को शीर्ष पर रखने से सबसे अधिक अंक प्राप्त करता था।

शोधकर्ताओं ने इस विधि में महान सफलता देखी, जिसमें रोबोट ने दिनों में सीखा जो पहले हफ्तों में लेता था। एक सिम्युलेटेड रोबोट को प्रशिक्षित करके, टीम ने स्पॉट रोबोट पर जाने से पहले अभ्यास समय को कम कर दिया।

“रोबोट उच्च स्कोर चाहता है,” हंट ने कहा। “यह जल्दी से सही व्यवहार सीखता है ताकि वह सर्वोत्तम पुरस्कार प्राप्त कर सके। वास्तव में, यह एक महीने का अभ्यास लेता था जो रोबोट को 100% सटीकता प्राप्त करने में लगता था। हमने इसे दो दिनों में कर दिया।”

ब्लॉक्स को स्टैक करने के अलावा, रोबोट ने पॉजिटिव रिनफोर्समेंट का उपयोग करके अन्य कार्यों को सीखने के लिए भी उपयोग किया, जैसे कि एक सिम्युलेटेड नेविगेशन गेम खेलना।

“शुरुआत में रोबोट को पता नहीं होता है कि वह क्या कर रहा है, लेकिन यह बेहतर और बेहतर होता जाता है और प्रत्येक अभ्यास के साथ। यह कभी हार नहीं मानता और स्टैक करने की कोशिश करता रहता है और 100% समय तक कार्य पूरा करने में सक्षम होता है, ”हंट ने कहा।

इस विधि के लिए संभावित अनुप्रयोगों में घरेलू रोबोटों को विशिष्ट कार्यों को पूरा करने के लिए प्रशिक्षित करना शामिल है, साथ ही साथ स्वायत्त वाहनों में सुधार करना भी शामिल है।

“हमारा लक्ष्य अंततः ऐसे रोबोट विकसित करना है जो वास्तविक दुनिया में जटिल कार्य कर सकें — जैसे उत्पाद असेंबली, बुजुर्गों की देखभाल और सर्जरी,” हैगर ने कहा। “हमें अभी तक नहीं पता है कि हम इन कार्यों को कैसे प्रोग्राम करें — दुनिया बहुत जटिल है। लेकिन इस तरह का काम दिखाता है कि रोबोटों के लिए यह विचार कि वे सुरक्षित और कुशल तरीके से वास्तविक दुनिया के कार्यों को सीखने में सक्षम हो सकते हैं, इसमें आशा है।”