تعلم آلي ذاتي لتعزيز قدرات الروبوتات في بيئات جديدة

 يُعرف القول المأثور “التدريب يصنع الكمال” عادةً بالتطبيق على البشر، ولكن يبدو أنه ينطبق أيضًا على الروبوتات التي يتم نشرها في بيئات جديدة.

تخيل روبوتًا يصل إلى مستودع. يأتي الروبوت مزودًا بالمهارات التي تم تدريبه عليها، مثل وضع كائن ما، ولكنه الآن يحتاج إلى انتقاء عناصر من رف غير مألوف له. في البداية، يواجه الجهاز صعوبة في ذلك، حيث يحتاج إلى التعرف على محيطه الجديد. لتحسين أدائه، سيحتاج الروبوت إلى فهم المهارات التي يحتاج إلى تحسينها ضمن مهمة شاملة، ثم تحديد (أو معايرة) هذا الإجراء.

يمكن أن يقوم شخص موجود في الموقع ببرمجة الروبوت لتحسين أدائه، لكن الباحثين من مختبر علوم الكمبيوتر والذكاء الاصطناعي بمعهد ماساتشوستس للتكنولوجيا (CSAIL) ومعهد الذكاء الاصطناعي طوروا بديلاً أكثر فعالية. تم تقديم خوارزمية “التقدير والاستقراء والوضع” (EES) الخاصة بهم في مؤتمر الروبوتات: العلوم والأنظمة الشهر الماضي، وتمكن هذه الآلات من التدريب الذاتي، مما يساعدها المحتمل على التحسن في المهام المفيدة في المصانع والأسر والمستشفيات.

لتساعد الروبوتات على أن تصبح أفضل في الأنشطة مثل تنظيف الأرضيات، تعمل EES مع نظام رؤية يحدد ويتتبع محيط الجهاز. بعد ذلك، تقدر الخوارزمية مدى موثوقية تنفيذ الروبوت لإجراء ما (مثل الكنس) وما إذا كان يستحق التدريب أكثر. تتوقع EES مدى جودة أداء الروبوت للمهمة الشاملة إذا قام بتحسين هذه المهارة بالذات، وأخيرًا، يمارسها. يفحص نظام الرؤية بعد ذلك ما إذا كانت هذه المهارة قد تم تنفيذها بشكل صحيح بعد كل محاولة.

يمكن أن تكون EES مفيدة في أماكن مثل المستشفى أو المصنع أو المنزل أو المقهى. على سبيل المثال، إذا كنت تريد من روبوت تنظيف غرفة المعيشة الخاصة بك، فإنه سيحتاج إلى مساعدة في ممارسة مهارات مثل الكنس. ومع ذلك، وفقًا لنيشانت كومار وزملائه، يمكن أن تساعد EES هذا الروبوت على التحسن بدون تدخل بشري، باستخدام عدد قليل فقط من التجارب التدريبية.

يقول كومار، المؤلف الرئيسي المشارك في ورقة تصف العمل، طالب الدكتوراه في الهندسة الكهربائية وعلوم الكمبيوتر، وزميل CSAIL: “عند الدخول في هذا المشروع، تساءلنا عما إذا كان هذا التخصص ممكنًا بكمية معقولة من العينات على روبوت حقيقي. الآن، لدينا خوارزمية تمكن الروبوتات من التحسن بشكل كبير في مهارات محددة في فترة زمنية معقولة بعشرات أو مئات من نقاط البيانات، وهو ترقية من آلاف أو ملايين العينات التي يتطلبها خوارزمية التعلم المعزز القياسية”.

أظهرت براعة EES في التعلم الفعال عند تنفيذها على الروبوت رباعي الأرجل سبوت من شركة Boston Dynamics خلال التجارب البحثية في معهد الذكاء الاصطناعي. أكمل الروبوت، الذي يحتوي على ذراع متصل بظهره، مهام التلاعب بعد التدريب لبضع ساعات. في إحدى العروض التوضيحية، تعلم الروبوت كيفية وضع كرة وخاتم بشكل آمن على طاولة مائلة في حوالي ثلاث ساعات. وفي عرض توضيحي آخر، وجهت الخوارزمية الجهاز لتحسين الكنس وجمع الألعاب في سلة خلال ساعتين تقريبًا. يبدو أن كلا النتيجتين تمثلان ترقية عن الأطر السابقة، والتي ربما كانت ستستغرق أكثر من 10 ساعات لكل مهمة.

يقول المؤلف الرئيسي المشارك توم سيلفر SM ’20، دكتوراه في عام 2024، خريج الهندسة الكهربائية وعلوم الكمبيوتر (EECS) وزميل CSAIL والذي يعمل الآن أستاذًا مساعدًا في جامعة برينستون: “لقد سعينا إلى جعل الروبوت يجمع خبرته الخاصة حتى يتمكن من اختيار الاستراتيجيات التي ستنجح بشكل أفضل في نشره بشكل أفضل”. “من خلال التركيز على ما يعرفه الروبوت، سعينا للإجابة على سؤال رئيسي: في مكتبة المهارات التي يمتلكها الروبوت، أي منها سيكون الأكثر فائدة للممارسة الآن؟”

يمكن أن تساعد EES في النهاية في تبسيط الممارسة الذاتية للروبوتات في بيئات النشر الجديدة، ولكن في الوقت الحالي، تأتي مع بعض القيود. بادئ ذي بدء، استخدموا طاولات منخفضة، مما جعل من الأسهل على الروبوت رؤية الأجسام. كما قام كومار وسيلفر بطباعة مقبض قابل للتركيب ثلاثي الأبعاد جعل الفرشاة أسهل للإمساك بها بواسطة سبوت. لم يكتشف الروبوت بعض العناصر وحدد الأجسام في الأماكن الخاطئة، لذلك اعتبر الباحثون تلك الأخطاء فشلًا.

هذا المحتوى تم باستخدام أدوات الذكاء الاصطناعي