เราสอนให้หุ่นยนต์เคลื่อนที่ ตอนนี้เรากำลังสอนให้พวกมัน “มีชีวิต”

หุ่นยนต์สมัยใหม่ถึงจุดหนึ่งแล้วที่การเคลื่อนที่ไม่ใช่ความท้าทายหลักอีกต่อไป – เครื่องจักรสามารถเดินเรื่อยๆ จับและดำเนินการในพื้นที่ด้วยความแม่นยำที่น่าประทับใจได้แล้ว แต่การทำให้พวกมัน “มีชีวิต” และทำงานในโลกแห่งความเป็นจริงยังคงเป็นปัญหาที่ยังไม่ได้รับการแก้ไข

ในกระบวนการนี้ บทบาทสำคัญถูกเล่นโดยสิ่งที่อาจเรียกว่า “ไขสันหลัง” : ระบบที่รับผิดชอบต่อปฏิกิริยาพื้นฐาน พฤติกรรม และการโต้ตอบกับสภาพแวดล้อม

เมื่อดูวิวัฒนาการของหุ่นยนต์ผ่านเลนส์นี้ จะชัดเจนว่าลำดับของขั้นตอน – ที่ระบบเรียนรู้สิ่งใหม่ที่แต่ละขั้นตอน ตั้งแต่การเคลื่อนที่ที่ซับซ้อนไปจนถึงการกระทำที่ซับซ้อนและตระหนักถึงบริบท – คล้ายกับการพัฒนาของมนุษย์

และคือในช่วงวิวัฒนาการนี้ – จาก “ฮาร์ดแวร์ว่าง” ไปสู่พฤติกรรมที่มีความหมาย – ที่การเปลี่ยนแปลงหลักใน AI กายภาพกำลังเกิดขึ้นในวันนี้ น่าสนใจที่จะเรียนรู้เพิ่มเติมเกี่ยวกับเรื่องนี้

รากฐานของหุ่นยนต์: ขั้นตอนที่ไม่ค่อยถูกพูดถึง

หุ่นยนต์คืออะไรในทางปฏิบัติ? มันเป็นอุปกรณ์กายภาพที่สร้างขึ้นในตอนแรกเป็นแพลตฟอร์มที่เป็นสากล โดย本质แล้ว มันเป็น “เปล่า” ที่ต้องปรับให้เหมาะสมกับงานเฉพาะ จัดให้ได้รับการฝึกฝนให้ทำงานในสภาพแวดล้อมที่กำหนด และสอนให้ทำการกระทำที่ต้องการ

หากเราไปไกลกว่าสถานการณ์ในชีวิตประจำวันและพิจารณากรณีการใช้งานในอนาคตที่เป็นจริงมากขึ้น จะชัดเจนว่าการนำหุ่นยนต์มาใช้อย่างเต็มที่จะเกิดขึ้นหลักๆ ในสภาพแวดล้อมอุตสาหกรรมและอาจเป็นอันตราย ซึ่งหมายความว่าต้องมีข้อกำหนดที่สูงกว่าสำหรับการกระทำ ความแข็งแกร่ง และคุณภาพการฝึก

กระบวนการเริ่มต้นด้วยขั้นตอนที่พื้นฐานที่สุด – การสร้างอุปกรณ์เอง หุ่นยนต์ประกอบด้วยส่วนประกอบหลายอย่าง รวมถึงแอคชูเอเตอร์ มอเตอร์ เซ็นเซอร์ กล้อง LiDARs มันสามารถเป็นรูปแบบมนุษย์ ล้อ สองขา หรือสี่ขา – รูปแบบไม่ใช่เรื่องหลัก สิ่งที่สำคัญคือในขั้นตอนนี้ เราได้อุปกรณ์ที่ทำงานแต่ยังคง “ว่าง”

ขั้นตอนต่อไปคือการติดตั้งโมเดลฐานที่ทำหน้าที่เป็นรากฐานสำหรับการกระทำ ในความหมายที่กว้าง “โมเดล” คือชั้นการควบคุมฟังก์ชันทั้งหมด มันรับผิดชอบต่อความสามารถหลัก: การรักษาสมดุล การยืนและเคลื่อนที่ การเดินจากจุด A ไปยังจุด B การหลีกเลี่ยงอุปสรรค การไม่ทำลายสภาพแวดล้อม และการโต้ตอบกับมนุษย์อย่างปลอดภัย

นี่คือจุดที่การเรียนรู้แบบเสริมกำลังเข้ามาเล่น角色 ในระบบเหล่านี้ การจำลองหลายพันล้านครั้งถูกดำเนินการ เรามักเห็นวิดีโอของหุ่นยนต์ “เรียนรู้” ในสภาพแวดล้อมที่ซับซ้อน: ส่วนใหญ่ล้มสูญเสียสมดุลหรือล้มเหลวในการทำภารกิจ แต่ผู้ที่สามารถยืนอยู่และเดินต่อไปคือผู้ที่ก้าวหน้า

นี่คือ bản chấtของการเรียนรู้แบบเสริมกำลัง: การเลือกพฤติกรรมที่สำเร็จ อัลกอริทึมของ那些ที่ “รอดชีวิต” จะกลายเป็นรากฐานสำหรับการวนซ้ำในอนาคต ในผลลัพธ์ หลังจากการวนซ้ำจำนวนมาก โมเดลที่สามารถจัดการอุปสรรคได้อย่างมั่นใจจะเกิดขึ้น อัลกอริทึมนี้จะถูกถ่ายโอนไปยังอุปกรณ์กายภาพ

มันเป็นขั้นตอนที่มีเหตุผลแต่สำคัญมาก – มักไม่เกี่ยวข้องกับการมองเห็นคอมพิวเตอร์ ซึ่งไม่จำเป็นตอนนี้ สิ่งที่เรากำลังเผชิญคือฟิสิกส์และกลศาสตร์พื้นฐานที่ต้องถูกฝังลงในระบบตั้งแต่ต้น

วิธีที่หุ่นยนต์เริ่ม “รู้สึก” โลก

ดังนั้น เรามี “ฮาร์ดแวร์” แล้ว – หุ่นยนต์ที่มีโมเดลฐานติดตั้ง: มันสามารถยืน เดิน และรักษาสมดุลได้ แต่มันเพียงพอสำหรับงานในโลกแห่งความเป็นจริงหรือไม่ เช่น ในสภาพแวดล้อมอุตสาหกรรม? ชัดเจนว่าไม่

ขั้นตอนต่อไปเริ่มต้นจากที่นี่ เราเชื่อมต่อเซ็นเซอร์และฝึกโมเดลให้กระทำตามข้อมูลจากเซ็นเซอร์ ชั้นใหม่ของทักษะพื้นฐานเกิดขึ้น – ซึ่งซับซ้อนกว่าการเคลื่อนที่ที่ง่ายมาก

การเปรียบเทียบกับการพัฒนาของมนุษย์มีประโยชน์ที่นี่ ในขั้นตอนแรก เรานำระบบมาถึงระดับของเด็กอายุหนึ่งขวบ: มันสามารถยืน เดิน และรักษาสมดุลโดยไม่ล้ม ขั้นตอนต่อไปสอดคล้องกับระดับของเด็กอายุแปดขวบ

ในขั้นตอนนี้ เด็กใช้ “เซ็นเซอร์” ของตนอย่างแข็งขัน: พวกเขาสามารถรับรู้ความเสี่ยงและประเมินผลที่ตามมาจากการกระทำของตน พวกเขารู้ว่าไม่ควรสัมผัสสิ่งที่ร้อนหรือวางสิ่งที่เย็นมากใน口 พวกเขาสามารถปีนขึ้นไปบนโต๊ะ ขี่จักรยาน และโต้ตอบกับวัตถุ พวกเขาสามารถจับ ยก และจัดการวัตถุ และทำการดูแลตนเองได้

เรียกระบุกระบวนการนี้ว่า “การฝึกก่อน” และในจุดนี้ การจำลองเพียงอย่างเดียวไม่เพียงพอ

ใช่ บางสถานการณ์ยังคงสามารถสร้างแบบจำลองได้อย่างมีประสิทธิภาพ: วิธีการจับแก้วหรือเปลี่ยนแบตเตอรี่ ตัวอย่างเช่น การถอดส่วนประกอบหนึ่งออก วางไว้บนชาร์จจ์ หาส่วนประกอบอื่นและติดตั้งกลับ

แต่โดยรวมแล้ว ความสมดุลเปลี่ยนไป: ประมาณ 80% ของการฝึกสามารถเกิดขึ้นในสถานการณ์จำลองได้ ในขณะที่ประมาณ 20% ของข้อมูลต้องมาจากโลกแห่งความเป็นจริง และนี่คือจุดที่เริ่มพูดถึงข้อมูลแบบ egocentric

ข้อมูล egocentric เป็นรากฐานของความเข้าใจสภาพแวดล้อม

วันนี้ ข้อมูล egocentric ถูกเก็บที่ระดับขนาดใหญ่ทั่วโลก – เพราะไม่มีมัน จะไม่สามารถย้ายจากกลไกพื้นฐานไปสู่การโต้ตอบที่มีความหมายกับโลกแห่งความเป็นจริงได้ เพื่อนร่วมงานของฉันซึ่งดำเนินเครือข่ายร้านซ่อมรถยนต์ มีพนักงานที่ใช้กล้องติดหัวเพื่อบันทึกกระบวนการซ่อมรถยนต์ทั้งหมด

เมื่อเวลาผ่านไป การบันทึกเหล่านี้กลายเป็นผลิตภัณฑ์ที่เป็นอิสระ – มันถูกจัดแพ็คและขาย คุณค่าหลักของมันอยู่ในความเหมาะสมสำหรับการฝึกก่อน ซึ่งช่วยสร้างความเข้าใจพื้นฐานเกี่ยวกับสภาพแวดล้อมและลำดับการกระทำ

ตัวอย่างเช่น บริการดังกล่าวมีอยู่ที่ Keymakr ที่ทีมงานสร้างคอลเลกชันข้อมูล egocentric ทั้งหมดจากสถานการณ์ง่ายๆ เช่น การล้างจานไปจนถึงสถานการณ์ที่ซับซ้อนกว่า

ทำไมมันจึงสำคัญมาก? เพราะข้อมูลดังกล่าวให้บางสิ่งที่การจำลองแบบบริสุทธิ์ไม่สามารถให้ได้ – ความหลากหลายของสภาพแวดล้อมในโลกแห่งความเป็นจริง สำนักงาน ร้านซ่อมรถยนต์ สถานก่อสร้าง ร้านอาหาร และโรงแรม – แต่ละแห่งเพิ่มบริบท สถานการณ์ และความแตกต่างของตนเอง เมื่อรวมกันแล้ว จะก่อให้เกิดชุดข้อมูลที่ช่วยให้ระบบไม่เพียงแต่ “เห็น” แต่ยังเริ่มเข้าใจไดนามิกของโลกแห่งความเป็นจริง

ในขั้นตอนนี้ เป้าหมายไม่ใช่การสอนหุ่นยนต์ให้ทำการกระทำที่เฉพาะเจาะจงได้อย่างสมบูรณ์แบบ แต่สิ่งที่สำคัญกว่าคือการทำให้หุ่นยนต์สามารถorient ตัวเองภายในสภาพแวดล้อมได้

วันนี้เกือบทุกบริษัทที่ทำงานในด้านหุ่นยนต์ – ตั้งแต่ Tesla ถึง Unitree Robotics และ Figure AI – มุ่งเน้นไปที่ขั้นตอนนี้เป็นหลัก เป้าหมายของพวกเขาคือการสร้างโมเดลฐานที่มีความสามารถแรกที่คล้ายกับของ “เด็กอายุแปดขวบ” แล้วก้าวหน้าไปสู่ “เด็กอายุสิบสองขวบ” นี่คือสิ่งที่เรามุ่งเน้นไปที่ Introspector – การเตรียมข้อมูลที่จำเป็นสำหรับการฝึกก่อน ซึ่งเป็นขั้นตอนที่สำคัญที่สุดในการ “เติบโต” ของหุ่นยนต์สมัยใหม่

ไมล์สุดท้ายของการฝึก: ที่ที่ความเป็นสากลสิ้นสุด และการเชี่ยวชาญเริ่มต้น

ลองนึกภาพว่าหุ่นยนต์ đãเสร็จสิ้นการฝึกก่อนและถูกผลิตจากต้นโดยมีความเข้าใจพื้นฐานเกี่ยวกับโลกและชุดทักษะที่เทียบเท่ากับของวัยรุ่น แต่แม้แต่นี้ก็ไม่เพียงพอสำหรับการใช้งานในธุรกิจจริง บริษัทต่างๆ ไม่ต้องการหุ่นยนต์ “ทั่วไป” แต่ต้องการผู้เชี่ยวชาญ

ใช้ตัวอย่างการผลิตรถยนต์เป็นตัวอย่าง การทำงานบางอย่างยังคงทำโดยมนุษย์เพราะต้องการความละเอียดอ่อน ความแม่นยำ และการควบคุมภาพที่ต่อเนื่อง การ 자동化แบบดั้งเดิมต้องดิ้นรนในจุดนี้ หุ่นยนต์อุตสาหกรรมมีความเชี่ยวชาญในการทำงานซ้ำๆ ที่มีความยืดหยุ่น – “จับ, ย้าย, วาง” แต่การทำงานที่ต้องการความยืดหยุ่น การรับรู้แรงกด และการปรับเปลี่ยนในเวลาจริงยังคงอยู่ในโดเมนของมนุษย์

นี่คือจุดที่ความต้องการใหม่เกิดขึ้น: การฝึกหุ่นยนต์ให้ทำการกระทำที่เฉพาะเจาะจงเหมือนกับที่คนงานที่มีทักษะทำบนเส้นการผลิต ในอีกคำหนึ่ง หลังจากการฝึกฐานแล้ว มีการฝึกสำหรับอาชีพและสถานการณ์เฉพาะ

ในจุดนี้ คำถามที่เป็นประโยชน์เกิดขึ้น: สิ่งใดที่จำเป็นสำหรับการฝึกในระดับนี้? หากเราต้องการให้หุ่นยนต์ทำซ้ำการแสดงของมนุษย์ เราต้องจับพฤติกรรมของมนุษย์ให้แม่นยำที่สุด ตัวอย่างเช่น ผู้เชี่ยวชาญบนพื้นโรงงานจะต้องสวมกล้องและบันทึกการทำงานของตนเองเป็นเวลานานหลายเดือนหรือแม้กระทั่งหนึ่งปี

สิ่งที่ต้องทำเพื่อให้หุ่นยนต์ “มีชีวิต” ในโลกของมนุษย์

กล้องเพียงอย่างเดียวไม่เพียงพอ ต้องจับไม่เพียงแค่มุมมองทางภาพ แต่ยังจับฟิสิกส์ของการเคลื่อนไหวด้วย สิ่งนี้ทำได้โดยใช้ถุงมือพิเศษที่มีเซ็นเซอร์ 觸觉 ที่วัดแรงกด การใช้แรง และลักษณะการโต้ตอบกับวัตถุ สิ่งนี้มีความสำคัญอย่างยิ่งเพราะวัตถุเองสามารถแตกต่างกันมาก ตัวอย่างเช่น สตริปปิดผนึกอาจแตกต่างกันในความแข็งโดยรุ่นรถยนต์ ซึ่งส่งผลกระทบโดยตรงต่อวิธีการทำงาน

ต่อไปมาคือการตาม dõi การเคลื่อนไหว มาร์กเกอร์ – ทั้งภาพหรือเซ็นเซอร์ – ถูกวางไว้ที่ข้อมือ ข้อศอก และบางครั้งที่ไหล่ มาร์กเกอร์เหล่านี้สามารถรวมถึง, ตัวอย่างเช่น, วงแขนที่มีมาร์กเกอร์ที่สามารถระบุได้ (คล้ายกับรหัส QR) ที่ช่วยให้ระบบตาม dõiตำแหน่งมือในพื้นที่จากวิดีโอ เซ็นเซอร์เสริม เช่น ไซโรสโคป, ถูกใช้เพื่อจับข้อมูลการเคลื่อนไหวของข้อต่อ

เป้าหมายสุดท้ายคือการสร้างกลไกการเคลื่อนไหวที่สมบูรณ์: วิธีการเคลื่อนไหวของไหล่ วิธีการงอของข้อศอก วิธีการหมุนของข้อมือ ทั้งหมดนี้กลายเป็นสิ่งจำเป็นสำหรับขั้นตอนต่อไป – หลังการฝึก

หากในระหว่างการฝึกก่อน เรายังสามารถพึ่งพาการจำลองได้บ้าง ในขั้นตอนนี้ มันไม่ทำงานอีกต่อไป “ไมล์สุดท้าย” นี้แทบจะเป็นไปไม่ได้ที่จะสร้างแบบจำลองได้อย่างแม่นยำ คุณไม่สามารถจำลองได้อย่างเต็มที่ ตัวอย่างเช่น วิธีการที่เชฟกลิ้งด้วยแป้ง – แรงที่ใช้ วิธีการกระจายแรงกด และวิธีการรู้สึกวัสดุ

ดังนั้น ในระหว่างการฝึกหลังเกือบทั้งหมดข้อมูลจะต้องมาจากโลกแห่งความเป็นจริง และนี่คือจุดที่ท้าทายหลักเปลี่ยนไปสู่โดเมนการปฏิบัติ – วิธีการได้รับข้อมูลดังกล่าวในความเป็นจริง การเก็บข้อมูล egocentric ในระดับนี้เป็นกระบวนการที่ซับซ้อนหลายขั้นตอนที่ต้องมีการเข้าถึงสภาพแวดล้อม อุปกรณ์เฉพาะ การมีส่วนร่วมของคนงานที่มีทักษะ และการเตรียมข้อมูลในภายหลัง

นอกเหนือจากทฤษฎีแล้ว นี่คือจุดที่หุ่นยนต์ “มีชีวิต” จริงๆ – หลังจากที่เราสามารถจัดกระบวนการนี้ได้ และ克服ข้อจำกัดที่ทีมต่างๆ เผชิญในอุตสาหกรรมต่างๆ และบันทึกชุดข้อมูลดังกล่าวในระดับใหญ่ สิ่งนี้จะถูกกล่าวถึงในตอนต่อไป ที่เราจะมองใกล้ขึ้นที่ทุกความท้าทายที่เกิดขึ้นระหว่างการระบุฉลากและเตรียมการ