در حالی که تحقیقات در زمینه رباتیک طی چند سال گذشته به پیشرفتهای چشمگیری منجر شده است ، هنوز هم در نحوه برخورد انسانها و روبات ها با اشیاء تفاوت های اساسی وجود دارد. در حقیقت ، حتی پیشرفته ترین روبات ها که تاکنون تولید شده اند برای مطابقت با مهارت های دستکاری شیء کودک نو پا معمولی تلاش می کنند. یک جنبه خاص از دستکاری اشیاء که اکثر روبات ها هنوز تسلط خود را ندارند دستیابی و گرفتن اشیاء خاص در یک محیط آشفته است.
برای غلبه بر این محدودیت ، به عنوان بخشی از یک پروژه با بودجه EPSRC ، محققان دانشگاه لیدز اخیراً یک برنامه رباتیک شبیه به انسان طراحی کرده اند که ترکیبی از واقعیت های مجازی (VR) و تکنیک های یادگیری ماشین (ML) است. این برنامه ریز جدید ، که در مقاله ای که از قبل روی arXiv منتشر شده است و در کنفرانس بین المللی رباتیک و اتوماسیون (ICRA) معرفی شده است ، می تواند عملکرد انواع روبات ها را در کارهای دستکاری شیء ارتقا بخشد .
پروفسور آنتونی جی کوهن ، محقق اصلی تحقیق ، گفت: "هدف تحقیق ما توسعه سیستم های رباتیک بهتری است ؛ سیستم هایی که می توانند به انسان در انجام کارها کمک کنند ، از کاوش در محیط های خطرناک و کمک به کودک برای یادگیری نوشتن." TechXplore "بنابراین ما یک گروه چند رشته ای از روانشناسان و دانشمندان رایانه را برای بررسی اینکه آیا می توانیم رفتار انسانها را ضبط کنیم و مهندسی معکوس قوانینی را که انسان هنگام دستیابی به اشیاء استفاده می کند ، تشکیل دادیم."
در مقابل با محققان دیگری که طبقه بندی کننده یادگیری ماشین را بر روی تصاویر محیط های درهم ریخته آموزش داده بودند ، کوهن و همکارانش می خواستند با استفاده از فن آوری های جدید همهجانبه داده های آموزشی تولید کنند. در مطالعه خود ، از این رو از تجهیزات VR برای جمع آوری داده ها در مورد انجام کارهای دستکاری در انسان استفاده کردند.
پس از آن ، آنها از طبقهبندهای ML برای تجزیه و تحلیل داده های VR جمع آوری شده و استخراج قوانین کلی که ممکن است زمینه ساز تصمیم گیری انسان باشد استفاده کردند. برنامه ریز از این قوانین برای برنامه ریزی استراتژی های کارآمد برای روبات هایی که وظایف دستکاری شی را انجام می دهند ، استفاده می کند.
کوهن گفت: "ما می خواستیم که نتایج حاصل از اجرای این روبات" قابل خواندن با انسان "باشد ، به این معنا که آنها همانهایی هستند که یک انسان انتظار اجرای یک انسان دیگر را دارد ، که در مورد بسیاری از برنامه های فعلی ربات انجام نمی شود." توضیح داد
به نظر می رسد تصمیمات انسانهایی که وظایف دستکاری را انجام می دهند بیشتر توسط نمایندگی های کیفی هدایت می شوند (یعنی فاصله و جهت دقیق همه اشیاء در محیط پیرامون خود ، بلکه مسافت ها و مسیرهای نسبتاً نسبی). محققان در مطالعه خود سعی کردند این فرایندهای تصمیم گیری را بهتر بشناسند تا بتوانند بخشی از آنها را در طبقه بندی ML تولید کنند.
دکتر محمدحسن ، یکی از اعضای پژوهش که در این زمینه فعالیت می کند ، گفت: "ما چگونگی دستیابی انسانها به سناریوهایی را که اشیاء مورد نظر آنها دارای روابط مکانی خاص هستند و از روشهایی استفاده شده توسط محققان هوش مصنوعی در دانشگاه لیدز استفاده کرده است ، مورد بررسی قرار دادیم." پروژه ، توضیح داد. "این بدان معنی است که برنامه ریز می تواند روابط کیفی فضایی بین اشیاء را طبقه بندی کند و سپس اقداماتی را انجام دهد که انسانها در آن سناریو استفاده کنند."
- ۹۹/۰۲/۲۷