ساخت روباتی که می‌تواند دنیای واقعی را کاوش کند

به گزارش خبرگزاری صدا و سیما ، پس از چند آزمایش اکتشافی کوتاه، مشخص شد که این ربات می‌تواند وظایف خود را در دنیای واقعی با موفقیت انجام می‌دهد.

راسل مندونکا (Russell Mendonca) یکی از محققانی که این مطالعه را انجام داده است گفت: ما علاقه‌مند به ساخت یک هوش مصنوعی بوده ایم که با تعیین اهداف خود یاد می‌گیرد. با وابسته نکردن این ربات به انسان برای نظارت یا راهنمایی، چنین عواملی می‌توانند به یادگیری در سناریو‌های جدید ادامه دهند که توسط کنجکاوی هدایت می‌شود.

این امر تعمیم مداوم به حوزه‌های مختلف و کشف رفتار‌های پیچیده فزاینده را امکان پذیر می‌کند.

بنا بر اعلام « سیناپرس» ، گروه رباتیک در دانشگاه کارنگی ملون قبلاً برخی از عوامل مستقل را معرفی کرده بود که می‌توانستند کار‌های جدید را با آموزش کم یا بدون آموزش اضافی به خوبی انجام دهند. با این حال، این سیستم‌ها فقط در محیط‌های شبیه سازی شده آموزش و آزمایش شدند.

هدف اصلی مطالعه اخیر، ایجاد چارچوبی بود که می‌توان آن را برای ربات‌های فیزیکی در جهان اعمال کرده و توانایی آن‌ها را برای کشف محیط اطراف و تکمیل وظایف جدید بهبود بخشید. سیستم ALAN به ربات‌ها کمک می‌کند تا یاد گرفته و محیط خود را به طور مستقل و بدون دریافت پاداش یا راهنمایی از سوی عوامل انسانی، کشف کند. متعاقباً، این سیستم می‌تواند آنچه را که در گذشته آموخته است، برای مقابله با وظایف یا مشکلات جدید به کار گیرد.

مندونکا می گوید :  آلان مدل جهانی را می‌آموزد که در آن اقدامات خود را برنامه ریزی کند و خود را با استفاده از اهداف محیط محور و عامل محور هدایت می‌کند. همچنین با استفاده از آشکارسازها، فضای کاری را به منطقه مورد علاقه کاهش می‌دهد.

پس از کاوش، ربات می‌تواند مهارت‌های کشف شده را برای انجام وظایف تک مرحله‌ای و چند مرحله‌ای مشخص شده از طریق اتصال تصاویر هدف انجام دهد.

ربات محققین دارای یک ماژول بصری است که می‌تواند حرکات اجسام را در محیط اطراف خود تخمین بزند. سپس این ماژول از این تخمین‌ها از نحوه حرکت اجسام برای به حداکثر رساندن تغییر در اشیا و تشویق ربات برای تعامل با این اشیاء استفاده می‌کند.

مندونکا همچنین گفت: این ربات یک سیگنال محیطی محور است، زیرا به باور عامل وابسته نیست. آلان برای بهبود تخمین خود از تغییر در اشیا، باید در مورد آن کنجکاو باشد. برای این کار، ALAN از مدل آموخته شده خود از جهان برای شناسایی اقداماتی که در مورد تغییر شیء پیش بینی شده نامطمئن است، استفاده کرده و سپس آن‌ها را به صورت واقعی اجرا می‌کند.

به گفته محققان، روش‌های پیشنهادی قبلی برای اکتشاف ربات‌های مستقل به مقادیر زیادی از داده‌های آموزشی نیاز داشت. این امر از استقرار آن‌ها در ربات‌های واقعی جلوگیری کرده یا به طور قابل توجهی آن را محدود می‌کند.

در مقابل، رویکرد یادگیری پیشنهاد شده توسط مندونکا و همکارانش به ربات ALAN اجازه می‌دهد تا به طور مداوم و مستقل انجام وظایف را در حین کاوش در محیط اطراف خود بیاموزد.

شرح کامل این ربات و قابلیت‌های آن در مجله تخصصی arXiv منتشر شده است.