مدل جدید ربات‌های انسان‌نمای چینی بدون آموزش وظایف تازه را انجام می‌دهد

پژوهشگران دانشگاه ووهان (Wuhan University) در چین چارچوبی نوین معرفی کرده‌اند که می‌تواند توانایی ربات‌های انسان‌نما را در دستکاری و کنترل اشیاء به‌طور چشمگیری افزایش دهد. این مدل به ربات‌ها امکان می‌دهد طیف گسترده‌تری از اشیاء را نسبت به قبل درک و مدیریت کنند و بدون نیاز به آموزش‌های طولانی، وظایف جدید را با موفقیت انجام دهند.

در حال حاضر ربات‌های انسان‌نما توانایی انجام بسیاری از وظایف پایه‌ای مانند استفاده از ابزارها، گرفتن و جابه‌جا کردن اشیاء و حتی راه رفتن را دارند و در این زمینه‌ها عملکرد قابل قبولی نشان می‌دهند. با این حال، این سیستم‌ها همچنان با محدودیت‌های ذاتی روبه‌رو هستند. به‌عنوان نمونه، زمانی که شکل یک شیء تغییر می‌کند یا شرایط نوری محیط متفاوت می‌شود، ربات‌ها اغلب در اجرای وظیفه دچار خطا می‌شوند و نمی‌توانند همان دقت و کارایی اولیه را حفظ کنند. علاوه بر این، در مواجهه با وظایفی که به‌طور خاص برای آن‌ها آموزش داده نشده، معمولاً با مشکل جدی روبه‌رو می‌شوند و توانایی لازم برای سازگاری ندارند. این ضعف در «تعمیم‌پذیری» یا همان توانایی انتقال آموخته‌ها به شرایط جدید، یکی از چالش‌های اساسی فناوری رباتیک به شمار می‌رود و مانع اصلی در مسیر توسعه ربات‌های هوشمندتر محسوب می‌شود.

برای پاسخ به این مشکل، تیم پژوهشی دانشگاه ووهان چین، چارچوبی نوین با نام سیاست چندوجهی بازگشتی با پیش‌فرض هندسی یا به اختصار RGMP طراحی کرده است. این مدل به ربات‌های انسان‌نما نوعی درک عمومی و پایه‌ای از شکل‌ها و فضا می‌بخشد؛ چیزی شبیه به «درک متعارف» یا همان حس مشترک انسانی که امکان تصمیم‌گیری بهتر در شرایط متغیر را فراهم می‌کند. به کمک این چارچوب، ربات‌ها می‌توانند مهارت‌های مناسب برای هر وظیفه را انتخاب کرده و با انعطاف بیشتری عمل کنند. افزون بر این، RGMP روشی داده‌محور و بسیار کارآمد برای یادگیری الگوهای حرکتی ارائه می‌دهد که نیاز به حجم عظیم داده‌های آموزشی را کاهش می‌دهد و فرآیند یادگیری را سریع‌تر و مؤثرتر می‌سازد.

هدف اصلی RGMP این است که ربات‌ها بتوانند با داده‌های آموزشی بسیار کمتر نسبت به گذشته، اقدام درست را انتخاب کرده و در محیط‌های جدید سازگار شوند. این چارچوب از دو بخش کلیدی تشکیل شده است:

• روش انتخاب مهارت بر اساس الگوی هندسی: این بخش نقش کلیدی در فرآیند تصمیم‌گیری ربات دارد و به آن کمک می‌کند تا مشخص کند کدام ابزار یا مهارت برای انجام وظیفه مناسب‌تر است. ربات با استفاده از دوربین‌ها و حسگرهای خود می‌تواند ویژگی‌های اصلی اشیاء مانند شکل، اندازه و جهت‌گیری را شناسایی کند. سپس بر اساس این اطلاعات، تصمیم می‌گیرد که بهترین شیوه تعامل با شیء چیست؛ برای مثال او تصمیم می‌گیرد آیا باید آن را بردارد، فشار دهد، در دست نگه دارد یا حتی با دو دست کنترل کند. این قابلیت باعث می‌شود ربات بتواند در شرایط متنوع و با اشیاء مختلف عملکردی انعطاف‌پذیر داشته باشد.
• مدل عصبی بازگشتی با روش آماری تطبیقی گاوسی (ARGN): پس از آنکه مهارت مناسب انتخاب شد، این بخش وظیفه اجرای دقیق آن را بر عهده می‌گیرد. ARGN روابط فضایی میان ربات و شیء را مدل‌سازی کرده و حرکات لازم را به‌صورت مرحله‌به‌مرحله پیش‌بینی می‌کند. این شبکه به ربات امکان می‌دهد حرکات خود را با دقت بالا تنظیم کند و درک بهتری از موقعیت اشیاء در فضا داشته باشد. یکی از مهم‌ترین ویژگی‌های ARGN کارآمدی بالای آن در استفاده از داده‌هاست؛ به این معنا که برای آموزش و یادگیری به نمونه‌های بسیار کمتری نسبت به روش‌های رایج یادگیری عمیق نیاز دارد. این مزیت باعث می‌شود ربات‌ها سریع‌تر آموزش ببینند و با داده‌های محدود نیز بتوانند وظایف پیچیده را با موفقیت انجام دهند.

ترکیب ARGN و GSS باعث می‌شود ربات‌ها بتوانند وظایف مختلف را بدون نیاز به هزاران نمونه آموزشی و تمرین انجام دهند. در آزمایش‌ها، ربات‌هایی که از این چارچوب استفاده کردند توانستند در وظایف جدیدی که هیچ تجربه‌ای در آن نداشتند، به نرخ موفقیت چشمگیر ۸۷ درصد دست یابند.

تیم تحقیقاتی همچنین دریافت که این چارچوب حدود پنج برابر کارآمدتر از مدل‌های مبتنی بر سیاست انتشار (diffusion-policy) است که در حال حاضر پیشرفته‌ترین روش‌ها محسوب می‌شوند. این دستاورد می‌تواند آینده رباتیک را متحول کند. اگر ربات‌ها بتوانند بدون نیاز به آموزش مجدد در هر موقعیت تازه، اشیاء را به‌طور قابل اعتماد دستکاری کنند، می‌توان از آن‌ها در کارهای روزمره خانه مانند تمیز کردن، مرتب‌سازی و حتی آشپزی استفاده کرد.

این پیشرفت همچنین ربات‌های انسان‌نما را برای وظایف پیچیده‌تر در محیط‌هایی مانند انبارها، رستوران‌ها و صنایع تولیدی به سطحی بالاتر خواهد رساند. تیم دانشگاه ووهان قصد دارد RGMP را توسعه دهد تا ربات‌ها بتوانند وظایف جدید را تقریباً بدون دخالت انسانی یاد بگیرند. آن‌ها همچنین برنامه دارند این چارچوب را به گونه‌ای ارتقا دهند که ربات‌ها بتوانند حرکت‌های مناسب برای اشیاء کاملاً جدید را به‌طور خودکار استنتاج کرده و الگوهای حرکتی ویژه هر وظیفه را تولید کنند.

رهبر این پژوهش، شوئه‌تائو لی (Xuetao Li)، توضیح داد: «تحقیقات آینده ما بر تقویت توانایی RGMP برای تعمیم در طیف وسیع‌تری از وظایف متمرکز خواهد بود.» او افزود: «ما همچنین قصد داریم امکان استنتاج خودکار مسیرهای حرکتی ویژه وظایف را بررسی کنیم تا ربات‌ها بتوانند با کمترین ورودی انسانی یا دانش قبلی، دستکاری اشیاء جدید را یاد بگیرند و نیاز به آموزش‌های طولانی در محیط‌های پویا از بین برود.»