ربات‌های آینده از اشتباهات خود درس می‌گیرند

به گزارش خبرنگار دانش و فناوری خبرگزاری دانشجو، تصور کنید رباتی را که فقط از دستورات پیروی نمی‌کند، بلکه برای انجام کار‌ها برنامه‌ریزی می‌کند، در لحظه حرکاتش را تنظیم می‌کند و از بازخورد یاد می‌گیرد—تقریباً همان‌طور که یک انسان عمل می‌کند. شاید این یک ایده غیرواقعی به نظر برسد، اما پژوهشگران دانشکده مهندسی تاندون دانشگاه نیویورک (NYU Tandon) با الگوریتم جدید خود به نام BrainBody-LLM به این دستاورد رسیده‌اند.

تا امروز یکی از چالش‌های اصلی در رباتیک این بوده که سیستم‌هایی ساخته شوند که بتوانند در محیط‌های غیرقابل‌پیش‌بینی، به‌شکل انعطاف‌پذیر وظایف پیچیده را انجام دهند.

روش‌های سنتی برنامه‌نویسی ربات یا برنامه‌ریز‌های مبتنی بر LLM موجود، اغلب با این مشکل روبه‌رو هستند که طرح‌هایی تولید می‌کنند که با توانایی‌های واقعی ربات همخوانی کامل ندارند.

BrainBody-LLM با استفاده از مدل‌های زبانی بزرگ (LLM) —همان نوع هوش مصنوعی پشت ChatGPT—برای برنامه‌ریزی و اصلاح اقدامات ربات، این چالش را حل می‌کند. این رویکرد می‌تواند ماشین‌های آینده را هوشمندتر و سازگارتر کند.

ترفند واداشتن ربات‌ها به «فکر کردن»

الگوریتم BrainBody-LLM نحوهٔ ارتباط مغز و بدن انسان هنگام حرکت را تقلید می‌کند. این الگوریتم دو بخش اصلی دارد:

• مغز (Brain LLM): برنامه‌ریزی سطح بالا را انجام می‌دهد و وظایف پیچیده را به مراحل کوچک‌تر و قابل مدیریت تقسیم می‌کند.

• بدن (Body LLM): این مراحل را به دستور‌های مشخص برای عملگر‌های ربات ترجمه می‌کند و امکان ایجاد حرکات دقیق را فراهم می‌سازد.

یکی از ویژگی‌های کلیدی BrainBody-LLM، سیستم بازخورد حلقه‌بسته آن است. ربات به‌طور مداوم اقدامات و محیط خود را پایش می‌کند و سیگنال‌های خطا را به LLM‌ها بازمی‌گرداند تا سیستم بتواند در همان لحظه تنظیمات را انجام دهد و اشتباهات را اصلاح کند.

وینیت بات، نویسنده اول پژوهش و دانشجوی دکتری در NYU Tandon، می‌گوید: مزیت اصلی BrainBody-LLM در معماری حلقه‌بسته آن است که تعامل پویا بین مؤلفه‌های LLM را تسهیل می‌کند و مدیریت قدرتمند وظایف پیچیده و چالش‌برانگیز را امکان‌پذیر می‌سازد.»

برای آزمایش رویکردشان، پژوهشگران ابتدا شبیه‌سازی‌هایی را در VirtualHome اجرا کردند، جایی که یک ربات مجازی کار‌های خانه را انجام می‌داد. سپس آن را روی یک بازوی رباتیک واقعی، Franka Research ۳، آزمایش کردند.

BrainBody-LLM پیشرفت قابل توجهی نسبت به روش‌های پیشین نشان داد و نرخ تکمیل وظایف را در شبیه‌سازی تا ۱۷ درصد افزایش داد.

در ربات واقعی نیز این سیستم اکثر وظایفی را که روی آن آزمایش شده بود با موفقیت انجام داد، که نشان‌دهنده توانایی الگوریتم در مدیریت پیچیدگی‌های دنیای واقعی است.

زمان ارتقای توانایی‌ها

BrainBody-LLM می‌تواند شیوه استفاده از ربات‌ها را در خانه‌ها، بیمارستان‌ها، کارخانه‌ها و هر محیط دیگری که نیاز به انجام وظایف پیچیده با سازگاری شبیه انسان دارد، دگرگون کند.

این روش همچنین می‌تواند الهام‌بخش سیستم‌های هوش مصنوعی آینده باشد که قابلیت‌های بیشتری مانند بینایی سه‌بعدی، حس عمق و کنترل مفاصل را ترکیب می‌کنند و به ربات‌ها امکان می‌دهند به‌گونه‌ای حرکت کنند که حتی طبیعی‌تر و دقیق‌تر باشد.

با این حال، این فناوری هنوز آماده استفاده در مقیاس گسترده نیست. تاکنون سیستم فقط با مجموعه‌ای کوچک از دستورات و در محیط‌های کنترل‌شده آزمایش شده است، بنابراین ممکن است در شرایط باز یا بسیار پویا دچار مشکل شود.

به گفته پژوهشگران، «کار‌های آینده به بررسی استفاده از حسگر‌های متنوع برای بازخورد خواهد پرداخت، تا پایه‌گذاری غنی‌تری فراهم کرده و بتوانیم الگوریتم‌های برنامه‌ریزی مبتنی بر LLM را برای کاربرد‌های رباتیک در دنیای واقعی، ایمن و قابل‌اعتماد کنیم.»

این مطالعه در ژورنال Advanced Robotics Research منتشر شده است.