تويت
يلتقط روبوت المستودع الأكواب من الرف ويضعهم في صناديق لتسويقهم. يجري كل شيء على قدم وساق، حتى تتغير عملية التخزين في المستودع، وعلى الروبوت التقاط أكواب أطول وأرفع، تقلب العملية كلها رأسًا على عقب.
تتضمن إعادة البرمجة وضع العلامات يدويًا على آلاف الصور التي تُظهر كيفية التقاط الروبوت هذه الأكواب الجديدة، ومن ثمَّ إعادة ضبط النظام كليًا. تتطلب التقنية الحديثة المطورة من قبل باحثي MIT القليل فقط من التضامن البشري لإعادة برمجة الروبوت.
تمكّن طريقة التعلم الآلي هذه الروبوتات من التقاط ووضع أشياء غريبة عنه في أماكن عشوائية وغريبة عنه أيضًا.
سيكون الروبوت جاهزًا لإتمام مهمة التقاط ووضع جديدة بغضون 10-15 دقيقة فقط.
تستخدم هذه التقنية شبكة عصبية مصممة بصفة خاصة لإعادة تشكيل صورة ثلاثية الأبعاد للأشياء التي يصورها الروبوت. وبأدلة قليلة جدًا من الشبكة العصبية، يستخدم النظام ما تعلمته هذه الشبكة من طريق الهندسة ثلاثية الأبعاد لفهم أشياء جديدة تشبه ما التقطه الروبوت سابقًا.
أظهر الباحثون أنه عند المحاكاة واستخدام يد روبوت حقيقة يستطيع النظام التعامل ببراعة مع أكواب وأوعية وزجاجات لم يسبق له التعامل معها، إضافةً إلى تنظيمها في أماكن عشوائية، وذلك فقط باستخدام 10 مبرهنات لتعليم الروبوت.
يقول أنطوني سيمينوف وهو خريج هندسة كهربائية وعلوم حاسوب EECS، ومؤلف مشارك في البحث: «مشاركتنا الرئيسية هي مقدرة عامة لزيادة الكفاءة بتزويد مهارات جديدة للروبوتات التي تحتاج إلى العمل ضمن بيئات غير منظمة، إذ توجد فيها تقلبات وتغيرات كثيرة، ويعد مفهوم التعميم من طريق التنظيم مقدرة مذهلة لطالما كانت هذه المشكلة أصعب بكثير».
كتب سيمينوف وآخرون البحث، الذي دُعم بمشاركة وكالة مشاريع الأبحاث الدفاعية المتقدمة مع وكالة العلوم والتكنولوجيا الدفاعية السنغافورية والمؤسسة الوطنية للعلوم.
استيعاب الهندسة:
قد يكون الروبوت مدربًا لالتقاط عنصر معين، ولكن إذا كان هذا العنصر ملقىً على جانبيه «قد سقط، مثلًا»، سيكون ذلك بالنسبة إلى الروبوت عنصرًا جديدًا كليًا. وهذا بسبب أنه من الصعب جدًا أن يعمم نظام التعلم الآلي على الأشياء الجديدة.
لإنهاء هذا التحدي، ابتكر العلماء نمطًا جديدًا للشبكة العصبية، وهو حقل الوصف العصبي (NDF)، ويتعلم هذا النمط الهندسة ثلاثية الأبعاد من طريق فئة من العناصر.
يحسب هذا النمط التمثيل الهندسي لعنصر محدد، وذلك باستخدام سحابة نقطية ثلاثية الأبعاد، تعد مجموعة من نقاط البيانات أو الإحداثيات في ثلاثة أبعاد.
يمكن الحصول على نقاط البيانات من كاميرا عمق تزود النظام بمعلومات عن المسافة بين الشيء ونقطة مشاهدته.
بينما تُدرب الشبكة في أثناء المحاكاة باستعمال مجموعة بيانات ضخمة من الأشكال المركبة ثلاثية الأبعاد، يمكن تطبيقها مباشرة على الأشياء في العالم الحقيقي.
صمم الفريقNDF بميزة تدعى المعادلة، وتنص على أنه إذا عرض النمط صورة عمودية لكوبٍ ما، وبعدها عرض صورة للكوب نفسه ملقىً على جانبيه، سيفهم الروبوت أن الكوب الثاني هو نفسه الأول، ولكنه استدار فقط.
صرح سيمينوف: «إن هذه المعادلة تمكننا من معالجة الحالات بكفاءة، حين يكون الشيء الذي تلاحظه في مكان عشوائي».
بينما يتعلم NDF إعادة تركيب أشكال الأشياء المتشابهة، يتعلم أيضًا ربط الأجزاء ذات الصلة بتلك الأشياء، فمثلًا يتعلم أن مقابض الأكواب متشابهة حتى لو كانت بعض الأكواب أطول أو أوسع أو كان لها مقبض أطول أو أصغر.
قال دو: «لو أردت القيام بذلك، ولكن بطريقة أخرى، لكان عليك تصنيف جميع الأجزاء يدويًا بينما تكتشف طريقتنا تلقائيًا تلك الأجزاء من الشكل المعاد تركيبه».
استخدم الباحثون نموذجNDF المصمم لتلقين الروبوت مهارة جديدة بوساطة القليل فقط من الأمثلة الفيزيائية، حركوا يد الروبوت على أجزاء الجسم الذي يريدون من الروبوت التقاطه، كإطار وعاء أو مقبض كوب، وسجلوا مواقع نهاية الأصابع «بصمات الروبوت».
أوضح دو: «لأنه NDF تعلم الكثير عن الهندسة ثلاثية الأبعاد وكيفية إعادة تركيب الأشكال، فيمكن تخمين تركيبة الشكل الجديد الذي يمكن النظام من نقل المبرهنات إلى كائنات جديدة في مواقع عشوائية».
اختيار رابح:
في الواقع، اختبر الباحثون نموذجهم في أثناء عمليات المحاكاة على يد روبوت، باستخدام أكواب وأوعية وزجاجات كأشياء، ونجحت هذه الطريقة بنسبة 85% في مهام الالتقاط والوضع على أشياء جديدة وفي اتجاهات جديدة أيضًا، بينما كان أفضل خط أساس قدرة على النجاح بنسبة 45%، ويعني النجاح التقاط أشياء جديدة ووضعها في الموقع الهدف، كتعليق الأكواب على رف الصحون.
استخدم العديد من خطوط الأساس معلومات صورية ثنائية الأبعاد بدلًا من استخدام الهندسة ثلاثية الأبعاد، ما جعل من الصعب على تلك الأنماط أن تجري ميزة المعادلة وهذه إحدى الأسباب التي جعلت من تقنية NDF أفضل بكثير.
بينما كان الباحثين سعداء بأداء هذه التقنية، فقد عمل نمطهم على أشياء محددة دُرّب عليها الروبوت سابقًا.
لن يتمكن الروبوت الذي درّب على التقاط الأكواب من التقاط الصناديق أو سماعات الرأس طالما كان لهذه الأشياء ميزات هندسية مختلفة عما تعلمته شبكته.
صرح سيمينوف: «ستكون فكرة جيدة في المستقبل أن يُوسع نطاقها إلى فئات عدة، أو التخلي بالكامل عن فكرة الفئة».
خططوا أيضًا لتكييف النظام مع الأشياء غير الصلبة وتمكين النظام على المدى البعيد من إنجاز مهام الالتقاط والوضع عند تغيّر المنطقة الهدف.
المصدر:ibelieveinsci
تتضمن إعادة البرمجة وضع العلامات يدويًا على آلاف الصور التي تُظهر كيفية التقاط الروبوت هذه الأكواب الجديدة، ومن ثمَّ إعادة ضبط النظام كليًا. تتطلب التقنية الحديثة المطورة من قبل باحثي MIT القليل فقط من التضامن البشري لإعادة برمجة الروبوت.
تمكّن طريقة التعلم الآلي هذه الروبوتات من التقاط ووضع أشياء غريبة عنه في أماكن عشوائية وغريبة عنه أيضًا.
سيكون الروبوت جاهزًا لإتمام مهمة التقاط ووضع جديدة بغضون 10-15 دقيقة فقط.
تستخدم هذه التقنية شبكة عصبية مصممة بصفة خاصة لإعادة تشكيل صورة ثلاثية الأبعاد للأشياء التي يصورها الروبوت. وبأدلة قليلة جدًا من الشبكة العصبية، يستخدم النظام ما تعلمته هذه الشبكة من طريق الهندسة ثلاثية الأبعاد لفهم أشياء جديدة تشبه ما التقطه الروبوت سابقًا.
أظهر الباحثون أنه عند المحاكاة واستخدام يد روبوت حقيقة يستطيع النظام التعامل ببراعة مع أكواب وأوعية وزجاجات لم يسبق له التعامل معها، إضافةً إلى تنظيمها في أماكن عشوائية، وذلك فقط باستخدام 10 مبرهنات لتعليم الروبوت.
يقول أنطوني سيمينوف وهو خريج هندسة كهربائية وعلوم حاسوب EECS، ومؤلف مشارك في البحث: «مشاركتنا الرئيسية هي مقدرة عامة لزيادة الكفاءة بتزويد مهارات جديدة للروبوتات التي تحتاج إلى العمل ضمن بيئات غير منظمة، إذ توجد فيها تقلبات وتغيرات كثيرة، ويعد مفهوم التعميم من طريق التنظيم مقدرة مذهلة لطالما كانت هذه المشكلة أصعب بكثير».
كتب سيمينوف وآخرون البحث، الذي دُعم بمشاركة وكالة مشاريع الأبحاث الدفاعية المتقدمة مع وكالة العلوم والتكنولوجيا الدفاعية السنغافورية والمؤسسة الوطنية للعلوم.
استيعاب الهندسة:
قد يكون الروبوت مدربًا لالتقاط عنصر معين، ولكن إذا كان هذا العنصر ملقىً على جانبيه «قد سقط، مثلًا»، سيكون ذلك بالنسبة إلى الروبوت عنصرًا جديدًا كليًا. وهذا بسبب أنه من الصعب جدًا أن يعمم نظام التعلم الآلي على الأشياء الجديدة.
لإنهاء هذا التحدي، ابتكر العلماء نمطًا جديدًا للشبكة العصبية، وهو حقل الوصف العصبي (NDF)، ويتعلم هذا النمط الهندسة ثلاثية الأبعاد من طريق فئة من العناصر.
يحسب هذا النمط التمثيل الهندسي لعنصر محدد، وذلك باستخدام سحابة نقطية ثلاثية الأبعاد، تعد مجموعة من نقاط البيانات أو الإحداثيات في ثلاثة أبعاد.
يمكن الحصول على نقاط البيانات من كاميرا عمق تزود النظام بمعلومات عن المسافة بين الشيء ونقطة مشاهدته.
بينما تُدرب الشبكة في أثناء المحاكاة باستعمال مجموعة بيانات ضخمة من الأشكال المركبة ثلاثية الأبعاد، يمكن تطبيقها مباشرة على الأشياء في العالم الحقيقي.
صمم الفريقNDF بميزة تدعى المعادلة، وتنص على أنه إذا عرض النمط صورة عمودية لكوبٍ ما، وبعدها عرض صورة للكوب نفسه ملقىً على جانبيه، سيفهم الروبوت أن الكوب الثاني هو نفسه الأول، ولكنه استدار فقط.
صرح سيمينوف: «إن هذه المعادلة تمكننا من معالجة الحالات بكفاءة، حين يكون الشيء الذي تلاحظه في مكان عشوائي».
بينما يتعلم NDF إعادة تركيب أشكال الأشياء المتشابهة، يتعلم أيضًا ربط الأجزاء ذات الصلة بتلك الأشياء، فمثلًا يتعلم أن مقابض الأكواب متشابهة حتى لو كانت بعض الأكواب أطول أو أوسع أو كان لها مقبض أطول أو أصغر.
قال دو: «لو أردت القيام بذلك، ولكن بطريقة أخرى، لكان عليك تصنيف جميع الأجزاء يدويًا بينما تكتشف طريقتنا تلقائيًا تلك الأجزاء من الشكل المعاد تركيبه».
استخدم الباحثون نموذجNDF المصمم لتلقين الروبوت مهارة جديدة بوساطة القليل فقط من الأمثلة الفيزيائية، حركوا يد الروبوت على أجزاء الجسم الذي يريدون من الروبوت التقاطه، كإطار وعاء أو مقبض كوب، وسجلوا مواقع نهاية الأصابع «بصمات الروبوت».
أوضح دو: «لأنه NDF تعلم الكثير عن الهندسة ثلاثية الأبعاد وكيفية إعادة تركيب الأشكال، فيمكن تخمين تركيبة الشكل الجديد الذي يمكن النظام من نقل المبرهنات إلى كائنات جديدة في مواقع عشوائية».
اختيار رابح:
في الواقع، اختبر الباحثون نموذجهم في أثناء عمليات المحاكاة على يد روبوت، باستخدام أكواب وأوعية وزجاجات كأشياء، ونجحت هذه الطريقة بنسبة 85% في مهام الالتقاط والوضع على أشياء جديدة وفي اتجاهات جديدة أيضًا، بينما كان أفضل خط أساس قدرة على النجاح بنسبة 45%، ويعني النجاح التقاط أشياء جديدة ووضعها في الموقع الهدف، كتعليق الأكواب على رف الصحون.
استخدم العديد من خطوط الأساس معلومات صورية ثنائية الأبعاد بدلًا من استخدام الهندسة ثلاثية الأبعاد، ما جعل من الصعب على تلك الأنماط أن تجري ميزة المعادلة وهذه إحدى الأسباب التي جعلت من تقنية NDF أفضل بكثير.
بينما كان الباحثين سعداء بأداء هذه التقنية، فقد عمل نمطهم على أشياء محددة دُرّب عليها الروبوت سابقًا.
لن يتمكن الروبوت الذي درّب على التقاط الأكواب من التقاط الصناديق أو سماعات الرأس طالما كان لهذه الأشياء ميزات هندسية مختلفة عما تعلمته شبكته.
صرح سيمينوف: «ستكون فكرة جيدة في المستقبل أن يُوسع نطاقها إلى فئات عدة، أو التخلي بالكامل عن فكرة الفئة».
خططوا أيضًا لتكييف النظام مع الأشياء غير الصلبة وتمكين النظام على المدى البعيد من إنجاز مهام الالتقاط والوضع عند تغيّر المنطقة الهدف.
المصدر:ibelieveinsci