چگونه رباتهای کد محور میتوانند با انسان تعامل بهتری داشته باشند؟ اخیراً، آزمایشگاه رباتیک انسان-ربات دانشگاه براون، یک سیستم جدید مجهز به هوش مصنوعی را آزمایش کرده است که هدف آن این است که رباتها دستورات انسان را در زبان روزمره بفهمند و وظایف را با دقت انجام دهند.
نکته کلیدی این تحقیق این است که آنها سیستم جدیدی را توسعه داده اند که ربات ها را قادر می سازد کارهای پیچیده را بدون نیاز به هزاران ساعت آموزش داده انجام دهند. در حالی که آموزش سنتی ماشین نیاز به تعداد زیادی مثال برای نشان دادن نحوه درک و اجرای دستورالعمل ها در مکان های مختلف به ربات دارد، این سیستم جدید با ارائه یک نقشه دقیق از منطقه به ربات اجازه می دهد در محیط های مختلف کار کند.
محققان نقش مدل زبان بزرگ تعبیه شده در سیستم خود را برای قادر ساختن ربات ها برای درک و انجام وظایف با شکستن دستورالعمل ها بدون مقادیر زیادی از داده های آموزشی توصیف می کنند. این سیستم نه تنها قادر به پذیرش دستورالعملهای زبان طبیعی است، بلکه میتواند جهشهای منطقی را که ربات ممکن است به آن نیاز داشته باشد بر اساس زمینه محیط محاسبه کند، که دستورالعملها را بسیار سادهتر و واضحتر میکند، از جمله اینکه ربات چه کاری میتواند انجام دهد، نمی تواند انجام دهد و به چه ترتیبی.
استفانی تلکس، یکی از محققین اصلی این پروژه و استاد علوم کامپیوتر در دانشگاه براون، گفت: "در انتخاب موضوعات خود، ما به طور خاص یک ربات متحرک را در نظر گرفتیم که در اطراف محیط حرکت می کند، و می خواستیم راهی داشته باشیم که در آن ربات میتوانست دستورالعملهای پیچیده و شفاهی را که انسان به او میداد، مانند راه رفتن در خیابان تایر در پراویدنس برای ملاقات با من در کافی شاپ، اما اجتناب از CVS و توقف در بانک، درک کند و دقیقاً دستورالعملها را دنبال کند.
اگر این تحقیق به نتیجه برسد، در آینده روی بسیاری از ربات های متحرک در شهر از جمله پهپادها، خودروهای خودران، وسایل نقلیه حمل و نقل بدون سرنشین و غیره اعمال خواهد شد، فقط باید از راه های معمول ارتباط با مردم برای تعامل استفاده کنید. با استفاده از ربات، او می تواند دستورالعمل های شما را به درستی درک کند و استفاده از ربات های متحرک در محیط های پیچیده را ممکن می کند.
برای آزمایش این سیستم، محققان شبیهسازیهایی را با استفاده از OpenStreetMap در 21 شهر اجرا کردند و نشان دادند که این سیستم در 80 درصد مواقع این کار را با دقت انجام میدهد، نرخ دقت بسیار بالاتری نسبت به سایر سیستمهای مشابه، که معمولاً تنها به دقت حدود 20 درصد میرسند و نمیتوانند از عهده آن برآیند. دستورالعمل ها و وظایف پیچیده
در همان زمان، تیم آزمایشی را در محوطه دانشگاه براون با ربات نقطهای Boston Dynamics که یکی از پیشروترین روباتهای چهارپا همهمنظوره در جهان محسوب میشود، در محوطه دانشگاه براون نیز انجام داد و موفقیت تأیید در محل، کاربرد آن را تسهیل میکند. این سیستم به روبات های تولید کنندگان دیگر.
Jason Xinyu، دانشجوی دکترای علوم کامپیوتر و یکی از اعضای اصلی تیم تحقیقاتی، نحوه عملکرد سیستم را با یک مثال توضیح میدهد.
فرض کنید کاربر به پهپاد می گوید که به «فروشگاه» در «خیابان اصلی» بروید اما ابتدا به «بانک» بروید. پس از وارد شدن دستورالعمل، نرم افزار ابتدا دو مکان را شناسایی می کند و سپس مدل زبان شروع به تطبیق این مکان های انتزاعی با مکان مشخص ربات می کند. در عین حال، متادیتای مکان، مانند آدرس یا نوع مکان را نیز تجزیه و تحلیل میکند تا به سیستم در تصمیمگیری کمک کند، در این مورد، چندین فروشگاه در اطراف وجود دارد، اما تنها یکی در خیابان اصلی است، بنابراین سیستم میداند کجاست. رفتن؛ سپس مدل زبان دستورات را به منطق زمانی خطی ترجمه میکند که یک کد ریاضی و نماد برای بیان دستورات است. در نهایت، سیستم مکان نگاشت فعلی را به این فرمول متصل می کند و به ربات می گوید که به نقطه A برود، اما بعد از نقطه B.
شبیهسازی مبتنی بر OpenStreetMaps در ماه نوامبر به صورت آنلاین ارسال میشود و به کاربران اجازه میدهد سیستم را برای خود آزمایش کنند. کاربران می توانند دستورات زبان طبیعی را در یک صفحه وب وارد کنند تا پهپاد شبیه سازی شده را در یک کار ناوبری راهنمایی کنند تا به محققان کمک کند نرم افزار را تنظیم کنند.
این بدان معناست که یک پروژه "ربات + AI" که به طور مشترک توسط مردم آموزش داده شده است، برای ما می آید.