صفحه نخست

آموزش و دانشگاه

علم‌وفناوری

ارتباطات و فناوری اطلاعات

ورزش

سلامت

پژوهش

سیاست

اقتصاد

فرهنگ‌ و‌ جامعه

علم +

عکس

فیلم

استانها

بازار

اردبیل

آذربایجان شرقی

آذربایجان غربی

اصفهان

البرز

ایلام

بوشهر

تهران

چهارمحال و بختیاری

خراسان جنوبی

خراسان رضوی

خراسان شمالی

خوزستان

زنجان

سمنان

سیستان و بلوچستان

فارس

قزوین

قم

کردستان

کرمان

کرمانشاه

کهگیلویه و بویراحمد

گلستان

گیلان

لرستان

مازندران

مرکزی

هرمزگان

همدان

یزد

هومیانا

پخش زنده

دیده بان پیشرفت علم، فناوری و نوآوری
آینده جهان با هوش مصنوعی (۱۶۰)؛

تحقق رویای ربات‌های تغییر شکل دهنده با هوش مصنوعی

محققان یک الگوریتم هوش مصنوعی طراحی کرده‌اند که می‌تواند به طور خودکار نحوه حرکت، کشش و شکل دادن به یک ربات قابل تنظیم مجدد را برای انجام کارهای مختلف بیاموزد.
کد خبر : 910721

به گزارش خبرگزاری علم و فناوری آنا به نقل از اینترستینگ اینجینرینگ، محققان مدت‌هاست روی ساخت رباتی کار می‌کنند که می‌تواند شکل خود را برای حرکت در فضا‌های تنگ تغییر دهد. چنین فناوری نویدبخش کاربرد‌هایی مانند استقرار ربات‌ها در داخل بدن انسان برای استخراج اشیاء ناخواسته است.

اکنون، یک الگوریتم کنترلی ایجاد شده توسط محققان دانشگاه ماساچوست «ام آی‌‍ تی» (MIT) می‌تواند به طور خودکار نحوه حرکت، کشش و شکل دادن به یک ربات قابل تنظیم مجدد را برای انجام یک کار مشخص بیاموزد حتی اگر لازم باشد ربات مورفولوژی خود را بیش از یک بار تغییر دهد.

محققان همچنین یک شبیه‌ساز ساخته است تا الگوریتم‌های کنترلی ربات‌های نرم قابل تغییر شکل را در مواجه با وظایف پیچیده و تغییر شکل مختلف ارزیابی کند. رویکرد آنها نسبت به سایر الگوریتم‌ها عملکرد بهتری داشته و تمام ۸ وظیفه‌ای که مورد تجزیه و تحلیل قرار گرفته را انجام دادند. این روش در وظایف و مشاغل چند جانبه عملکرد خوبی داشت.

اگرچه ربات‌های نرم قابل تنظیم هنوز در مراحل اولیه خود هستند، محققان می‌گویند این روش ممکن است روزی ساخت ربات‌های همه‌منظوره را امکان‌پذیر کند که بتوانند شکل خود را برای انجام فعالیت‌های مختلف تغییر دهند.

یادگیری تقویتی در رباتیک تغییر شکل دهنده

محققان اغلب از یادگیری تقویتی استفاده می‌کنند، یک تکنیک یادگیری ماشینی که شامل آزمون و خطا می‌شود و به ربات برای رفتار‌هایی که آن را به هدف نزدیکتر می‌کند، پاداش می‌دهد تا به ربات‌ها انجام وظایف را آموزش دهند.

با این حال، کنترل میدان مغناطیسی به ربات‌های تغییر شکل اجازه می‌دهد تا کل بدن خود را  به طور پویا خم کنند یا گسترش دهند. بویوان چن، دانشجوی کارشناسی ارشد ام آ‌ی تی و یکی از نویسندگان این مطالعه، در بیانیه‌ای گفت: چنین رباتی می‌تواند هزاران قطعه کوچک عضلانی برای کنترل داشته باشد، بنابراین یادگیری آن به روش سنتی بسیار دشوار است.

از این رو محققان باید برای یافتن راه حل این چالش روشی جدید اتخاذ می‌کردند. سیستم یادگیری تقویتی آنها با یادگیری تنظیم گروه‌هایی از عضلات مجاور که به جای حرکت دادن هر عضله کوچک به طور مستقل با هم کار می‌کنند شروع می‌شود.

سپس الگوریتم به عمق بیشتری می‌رود تا سیاست یا برنامه عملی را که پس از نخستین بررسی از دنیای اقدامات ممکن با تمرکز بر گروه‌های عضلات یاد گرفته است، بهینه‌سازی کند.  

محققان از یادگیری ماشینی برای ترسیم احتمالات حرکت ربات در محیط اطرافش، مشابه پردازش تصویر، استفاده کردند. مدل آنها با شبیه‌سازی حرکت ربات با استفاده از روش نقطه ماده، فضای عمل دوبعدی ایجاد می‌کند و با نقاطی مانند پیکسل‌های یک تصویر رفتار می‌کند.

این رویکرد همبستگی‌های فضایی را در نظر می‌گیرد و تشخیص می‌دهد که نقاط نزدیک به یکدیگر حرکات مشابهی را نشان می‌دهند. علاوه بر این، این مدل با تجزیه و تحلیل محیط، عملکرد بهینه ربات را پیش‌بینی می‌کند و کارایی را در مسیریابی در فضا‌های محدود افزایش می‌دهد.

موفقیت الگوریتم هوش مصنوعی در تغییر شکل ربات‌ها

محققان پس از توسعه این روش، به ابزاری برای آزمایش آن نیاز داشتند، بنابراین یک محیط شبیه‌سازی ساختند که نام آن را «دیتو جم» (DittoGym) گذاشتند.

«دیتو جم» شامل ۸ فعالیت است که ظرفیت یک ربات قابل تنظیم مجدد را برای تغییر شکل آن به صورت پویا ارزیابی می‌کند. در یکی از این موارد، ربات برای عبور از موانع و رسیدن به مقصد، باید بدن خود را بلند کرده و بپیچاند. در دیگری، باید خود را طوری تغییر شکل دهد که شبیه کاراکتر‌های الفبایی باشد.

سانینگ هوانگ دانشجوی کارشناسی در دانشگاه چینهوا در چین گفت: «انتخاب کار ما در «دیتو جم» هم از اصول طراحی معیار یادگیری تقویتی عمومی و هم از نیاز‌های خاص ربات‌های قابل تنظیم مجدد پیروی می‌کند.

هر کار به گونه‌ای طراحی شده است که ویژگی‌های خاصی را که به نظر ما مهم می‌دانیم، نشان دهد، مانند توانایی حرکت در کاوش‌های افق بلند، تجزیه و تحلیل محیط، و تعامل با اشیاء خارجی.

به گفته محققان، این الگوریتم بهتر از رویکرد‌های پایه کار می‌کرد و تنها الگوریتمی بود که می‌توانست تکالیف چند مرحله‌ای را که نیاز به چندین تغییر شکل دارند، به پایان برساند. چن گفت: ما ارتباط قوی‌تری بین نقاط عملی که به یکدیگر نزدیک‌تر هستند، داریم و فکر می‌کنم این کلیدی است که این کار را به خوبی انجام می‌دهد.

اگرچه استقرار ربات‌های تغییر شکل در محیط‌های عملی ممکن است دور باشد، اما هدف این تیم الهام بخشیدن به دانشمندان دیگر است. تلاش آنها نه تنها به ربات‌های نرم قابل تنظیم مجدد می‌پردازد، بلکه کاوش در فضا‌های عمل دوبعدی برای مقابله با چالش‌های کنترل پیچیده را نیز تقویت می‌کند.

انتهای پیام/

ارسال نظر