هوش مصنوعی ربات‌ها را بی‌نیاز از حسگر، کنترل می‌کند

اساس کار این سیستم نوین بر روش مشاهده ویدئویی حرکات ربات استوار است. هوش مصنوعی با تحلیل تصاویر، یک مدل تطبیقی میان آنچه می‌بیند (موقعیت‌ها و پیکربندی‌های قابل مشاهده) و دستوراتی که آن حرکات را تولید می‌کنند، ایجاد می‌کند. این سیستم با تکیه بر مفهومی به نام «میدان ژاکوبین دیداری-حرکتی»، ارتباطی میان ادراک بصری و اقدام عملی برقرار می‌کند. به عبارت دیگر، هوش مصنوعی یاد می‌گیرد که چگونه تغییرات در تصاویر ویدئویی با حرکات فیزیکی ربات مرتبط است و از این طریق، بدون نیاز به اطلاعات دریافتی از حسگرها، آن را کنترل می‌کند.

سیژه لستر لی، دانشجوی دکترا در MIT و یکی از اعضای اصلی این پروژه، تأکید کرد که این استراتژی جایگزینی مؤثر برای برنامه‌نویسی‌های دستی طولانی‌مدت و استفاده از حسگر‌های تخصصی است که اغلب پرهزینه بوده و ادغام آنها با سیستم‌های مختلف پیچیده است.

یکی از ویژگی‌های اصلی این راه‌حل، سازگاری آن است. ربات‌های چرخ‌دار، بازو‌های مفصلی، سیستم‌های متحرک یا حتی ربات‌های انسان‌نما می‌توانند با همین رویکرد واحد و بدون نیاز به پروتکل‌های مشخص برای هر پلتفرم، هدایت شوند. این استانداردسازی، فرآیند یکپارچه‌سازی را تسریع کرده و نیاز به تنظیمات مجزا برای هر سیستم را از بین می‌برد.

برای ارزیابی کارایی این فناوری، آزمایش‌هایی در شرایط بصری چالش‌برانگیز انجام شده است. این شرایط شامل تغییرات نوری، زوایای دید غیرمنتظره، پس‌زمینه‌های شلوغ و وجود موانع فیزیکی بود. نتایج نشان داد که عملکرد سیستم در این موقعیت‌ها پایدار باقی مانده و نتایج امیدوارکننده‌ای به دست آمده است.

این فناوری مزایای مشخصی را به همراه دارد که از جمله مهم‌ترین آنها می‌توان به موارد زیر اشاره کرد:

- کاهش زمان آموزش ربات: فرآیند آموزش که پیش از این ممکن بود چندین روز به طول انجامد، اکنون به چند ساعت کاهش یافته است.
- صرفه‌جویی در هزینه‌ها: با حذف نیاز به حسگر‌های اختصاصی، هزینه‌های مرتبط با تهیه، نصب و نگهداری این قطعات به شکل قابل توجهی کاهش می‌یابد.
- افزایش دسترسی به رباتیک: این رویکرد، استفاده از رباتیک را در محیط‌هایی که به انعطاف‌پذیری و سرعت بالا نیاز دارند، آسان‌تر می‌کند.

کاربرد‌های این فناوری حوزه‌های مختلفی از جمله مراقبت‌های بهداشتی برای انجام حرکات دقیق و تکرارپذیر در جراحی‌ها یا مراقبت از بیمار، لجستیک برای ساده‌سازی فرآیند‌های جابجایی و مونتاژ، و حتی اکتشافات فضایی را پوشش می‌دهد؛ جایی که نصب و نگهداری حسگر‌ها می‌تواند دشوار یا غیرممکن باشد.

این هوش مصنوعی، کنترل ربات را به یادگیری مبتنی بر اصل مشاهده برای یادگیری نزدیک‌تر می‌کند و ویدئو‌ها را به مهارت‌های حرکتی قابل تعمیم تبدیل می‌نماید. این دستاورد، استاندارد‌های آموزش و استقرار ربات‌ها را بازتعریف کرده و مشاهده بصری را به عنوان یکی از پایه‌های اصلی هدایت رباتیک مدرن تثبیت می‌کند.