//کنترل بهتر بازوهای روباتیک با هوش مصنوعی

کنترل بهتر بازوهای روباتیک با هوش مصنوعی

اطلاعات : بیش از یک میلیون نفر از جمعیت بالغ از ویلچرهایی استفاده می‌کنند که مجهز به بازوهای روباتیک هستند. بازوهای روباتیک به آنها کمک می‌کنند کارهای روزانه خود از جمله لباس پوشیدن، مسواک زدن و غذا خوردن را انجام دهند. اما کنترل بازوهای روباتیک موجود در بازار چندان راحت نیست. خارج کردن ظرف غذا از داخل یخچال یا باز کردن در کابینت طول می‌کشد و در صورتی که بخواهیم با کمک آنها غذا بخوریم، کار به مراتب سخت تر می‌شود چون به حرکات نرم و ظریف نیاز داریم.
تیمی‌از پژوهشگران دانشگاه «استنفورد» راه نوینی را برای کنترل بازوهای روباتیک دستیار ابداع کرده اند که هم حسی‌تر و هم سریع‌تر از رویکردهای کنونی است. در آزمایش‌های آنها، کنترل‌گر روبات این امکان را برای فرد معلول به وجود آورد که بهتر قطعات توفو (پنیر لوبیا) را برش بزند و برش‌ها را درون بشقاب سُر دهد یا یک مارشمالو را با چنگال سوراخ کند و درون ظرف شکلات بزند.
کمک به افراد معلول در غذا خوردن یکی از مسائل مورد علاقه پژوهشگران است، چون از نقطه نظر روباتیک کار سختی به حساب می‌آید. برای غذا خوردن، حرکات دست و نحوه گرفتن اشیاء غذاخوری باید دقیق باشد. به علاوه، غذا خوردن امری اجتناب ناپذیر است، چون هر فردی روزانه به غذا احتیاج دارد و دیگر این که درست در مقابل چشم‌هایش می‌تواند مزایای استفاده از بازوهای روباتیک کمک رسان را ببیند.
تیم پژوهشی استنفورد با تلفیق دو الگوریتم هوش مصنوعی، یک کنترل‌گر ساختند. یکی از الگوریتم‌ها به کنترل بازوها در دو بعد کمک می‌کند که با یک جوی‌استیک انجام می‌شود. این الگوریتم از اشارات موقعیتی استفاده می‌کند تا برای مثال تعیین کند کاربر قصد گرفتن دست‌گیره در را دارد یا می‌خواهد یک فنجان چای را بردارد. سپس با نزدیک شدن بازوی روبات به مقصد مورد نظر، الگوریتم دوم وارد عمل می‌شود تا حرکاتی دقیق تر انجام شوند که کنترل این حرکات با مشارکت انسان و روبات صورت می‌گیرد.
کاهش ابعاد حرکتی
روبات‌های دستیار متداولی که اکنون در بازار عرضه می‌شوند دارای ۶ تا ۷ بند یا مفصل هستند. برای کنترل هر کدام از آنها کاربر باید با جوی‌استیک چندین تغییر وضعیت را اِعمال کند. این کار ادراکی و زمان‌بر است و ذهن را خسته می‌کند. استفاده از این روبات‌ها واقعاً دشواری به همراه دارد. آیا جوی‌استیکی که فقط در دو جهت (بالارپایین و چپرراست) یک وسیله را حرکت می‌دهد، می‌تواند روباتی با چندین مفصل را به نرمی‌و به سرعت هدایت کند؟
پژوهشگران برای رسیدن به پاسخ این پرسش به فرایندی به نام کاهش ابعاد حرکتی روی آوردند. وقتی بازوی روباتیک در موقعیت انجام عملی قرار می‌گیرد، لازم نیست همه مفصل‌هایش را در همه جهات ممکن حرکت دهد. یک سلسله حرکات محدودتر و مختصرتر کفایت می‌کنند. ایده اصلی در این است که روبات هنگام قرار گرفتن در یک محدودیت معین یا موقعیتی که برایش تعریف می‌شود بداند فشردن جوی‌استیک معنای خاصی دارد، برای مثال به معنای برداشتن یک فنجان از روی میز است. بدون این که کاربر به روبات دستور بدهد، روبات متوجه خواهد شد مهم ترین چیزی که در آن موقعیت خاص باید به آن توجه کند چیست.
نقطه شروع فرایند کاهش بعد، انسانی است که بازوی روبات را برای انجام وظایف معینی به حرکت در می‌آورد. در اصل کاربر به روبات یاد می‌دهد چگونه به شکلی روان‌تر و سودمندتر در یک موقعیت تعریف شده حرکت کند. این مجموع دادگان که حاوی ابعاد حرکتی زیادی است به یک شبکه عصبی (خودرمزگذار) داده می‌شود.
خودرمزگذار در وهله نخست داده‌ها را فشرده و تبدیل به دو بعد می‌کند. سپس آن‌چه در دو بعد حرکتی خلاصه شده را رمزگشایی می‌کند تا داده‌های تخصصی اولیه را از نو بسازد. فقط در این صورت اطمینان حاصل می‌شود که فشرده سازی با موفقیت انجام شده، چون خودرمزگذار توانسته است داده‌های تخصصی اولیه را دوباره تولید کند. جادوی این فرایند درست در گام بعدی اتفاق می‌افتد: فردی دستورالعمل‌هایی دو بعدی را به جوی‌استیک می‌دهد و به دنبال آن روبات می‌تواند اعمال پیچیده تر و خاص‌تر را در یک موقعیت معین انجام دهد که این واکنش نتیجه یادگیری از همان داده‌های تخصصی است.
در طول انجام آزمایش‌ها روی بازوهای روباتیک، زمانی که کاربرها روبات را تنها با این الگوریتم عملکرد پنهان هدایت می‌کردند، می‌توانستند یک تخم مرغ، یک سیب و یک فنجان آرد را بردارند و به درون یک کاسه بیاندازند. راهکار ابداعی بسیار سریع تر از طرز کار سیستم‌های کنونی است که برای به حرکت در آوردنشان باید مدام با جوی‌استیک وضعیت حرکتی بازو را تغییر داد.
مشارکت در خودگردانی
مشارکت در خودگردانی یا «خودگردانی اشتراکی» زمانی اتفاق می‌افتد که روبات با مجموعه ای از گمان‌ها روبرو می‌شود، در رابطه با این که کنترل‌گر دستور انجام چه کاری را می‌دهد. حین این که روبات دستورالعمل‌های بیشتری دریافت می‌کند، به هدف کار خود کاملاً مطمئن‌تر از چند لحظه قبل می‌شود. با توجه به این که روبات‌ها به معنای واقعی احساسات ندارند، گمان‌ها در واقع همان احتمالات هستند. برای مثال، وقتی روبات در مقابل دو لیوان آب قرار می‌گیرد احتمال دارد یکی از دو لیوان را بردارد. اما زمانی که جوی‌استیک روبات را به سمت یکی از آنها هدایت می‌کند و روبات از لیوان دیگر دور می‌شود، روبات از هدف خود مطمئن شده و کنترل امور را به دست می‌گیرد. بدین ترتیب، خودران‌بودن خود را در اختیار کاربر می‌گذارد تا او دقیق‌تر بتواند بازوی روباتیک را هدایت کند. میزان اِعمال کنترل روبات نیز احتمالی است. برای مثال، اگر روبات ۸۰ درصد اطمینان دارد که به سمت لیوان الف می‌رود و نه لیوان ب، ۸۰ درصد کار مورد نظر را در کنترل خود خواهد گرفت و ۲۰ درصد باقی مانده بر عهده کاربر خواهد بود.
پژوهشگران به منظور امتحان کردن الگوریتم‌های تلفیقی، آزمایش‌هایی انجام دادند که به دنبال آنها کاربرها یک بازوی روباتیک را که چنگالی در دست دارد هدایت می‌کردند. آزمایش‌ها شامل بریدن توفو و برداشتن تکه‌ای از آن یا فرو کردن چنگال در مارشمالو و آغشتن آن به شکلات بود. نتیجه به دست آمده این شد: هدایت کنترل‌گری که از الگوریتم ترکیبی استفاده کرد (عملکرد مخفی به علاوه خودرانی اشتراکی) راحت تر و سریع تر از هدایت کنترل‌گر دارای الگوریتم عملکرد مخفی یا کنترل گر دارای الگوریتم خودرانی اشتراکی بود.
هنوز باید پژوهش‌های زیادی انجام شود تا الگوریتم‌های این پژوهشگران بر زندگی افراد معلول تأثیرگذار شوند. لازم است به این سیستم هوشمند تعلیم داده شود تا از بینایی رایانه ای استفاده کند و بتواند در موقعیت‌های زیاد و متنوع درست عمل کند. همچنین باید مطالعه ای انجام گیرد که در آن معلولان زیادی فرصت امتحان کردن کنترل‌گر را داشته باشند. این امیدواری وجود دارد که در درازمدت، روباتیک کمک رسان یا دستیار به زندگی انسان‌های معلول آسودگی و راحتی ببخشد.

منبع :

همرسانی خبر