مهارات جديدة أكثر كفاءة للروبوتات باستخدام «الذكاء الاصطناعي».

لطالما شكّلت قدرة الروبوتات على التحرك والتفاعل مع العالم المحيط بها، بطريقة مشابهة للإنسان، تحدياً طويل الأمد.

فعندما تجد الروبوتات نفسها في تضاريس وبيئات متنوعة، تصبح قدرتها على التكيف أمراً بالغ الأهمية.

كما يعدّ رفع أشياء ثقيلة والمناورة بها أمراً صعباً بالنسبة لها؛ بسبب عدد لا يحصى من نقاط التلامس المحتملة بين الجسم المراد رفعه والروبوت.

عندها تصبح العملية الحسابية مرهقة، خصوصاً عندما تحتاج الروبوتات إلى التخطيط لمليارات من نقاط الاتصال هذه.

ولكي تتمكن الروبوتات من التعامل مع الأشياء بشكل فعال، يجب أن تكون قادرة على التنبؤ بأحداث الاتصال تلك والاستجابة لها.

اكتشاف قد يغير اللعبة

طوّر باحثون في معهد «ماساتشوستس للتكنولوجيا» في الولايات المتحدة تقنية تسمى «التجانس» تستخدم «الذكاء الاصطناعي» لتلخيص عديد من نقاط التلامس تلك في عدد أقل من القرارات. يهدف ذلك إلى تمكين حتى خوارزمية بسيطة من التعرف بسرعة على خطة معالجة فعّالة للروبوت، والنتيجة هي تخطيط معالجة أسرع وأكثر كفاءة.

يرى العلماء أن هذا الابتكار قد يحدث ثورة في مجال الروبوتات الصناعية التي تعتمد حالياً بشكل كبير على الأذرع الآلية الكبيرة ذات قدرات حركة محدودة باستخدام الأصابع فقط في أغلب الأحيان. ولكن من خلال تقنية معهد «ماساتشوستس للتكنولوجيا»، يمكن للروبوتات الأصغر حجماً والأكثر مرونة أداء المهام بجسم كامل، مما يؤدي إلى خفض تكاليف الطاقة بشكل رئيسي. كما يعدّ البعض هذا النهج واعداً أيضاً للبعثات الفضائية، حيث يمكّن الروبوتات من التكيف بسرعة مع التضاريس المتنوعة باستخدام الحساب في الموقع.

نماذج لتبسيط صنع القرار

يؤكد إتش جي تيري سوه، وهو طالب دراسات عليا في معهد «ماساتشوستس للتكنولوجيا» وأحد المؤلفين الرئيسيين للورقة البحثية حول هذا الموضوع، أهمية استخدام النماذج لتبسيط عملية صنع القرار في مجال الروبوتات. الورقة، التي توضح تفاصيل هذا النهج، عبارة عن تعاون مع خبراء مثل تاو بانغ، عالم الروبوتات من معهد «بوسطن ديناميكس للذكاء الاصطناعي»، والبروفسور روس تيدريك من معهد «ماساتشوستس للتكنولوجيا» وتم نشره أخيراً في «IEEE Transactions on Robotics».

المفهوم الأساسي وراء هذه الطريقة هو «التعلم المعزز» أي تعلّم الروبوتات عن طريق التجربة والخطأ، وتحقيق الأهداف من خلال اتخاذ القرارات الصحيحة. ومع ذلك، مع مليارات الاتصالات المحتملة، يصبح الأمر ثقيلاً حسابياً. يستخدم حل معهد «ماساتشوستس للتكنولوجيا» طريقة «التجانس»، مما يمكّن الروبوتات من متوسط ​​نقاط الاتصال غير المهمة والتركيز فقط على النقاط المحورية. والنتيجة هي اتخاذ قرار فعّال، يمكن مقارنته بالتعلم المعزز التقليدي ولكنه أسرع بشكل ملحوظ.

حدود التقنية

اختبر باحثو المعهد الأميركي نهجهم أولاً في عمليات المحاكاة، حيث تم تكليف الأيدي الروبوتية بمهام مثل تحريك قلم، أو فتح باب، أو التقاط طبق. وفي كل حالة، حقق النهج القائم على النموذج الأداء نفسه، الذي حققه التعلم المعزز، ولكن في وقت أقل. لقد رأوا نتائج مماثلة عندما اختبروا نموذجهم في الأجهزة على أذرع آلية حقيقية. وعلى الرغم من أن الباحثين في معهد «ماساتشوستس للتكنولوجيا» متفائلون بشأن تحسين تقنياتهم لتلبية هذه الحركات المعقدة في المستقبل، فإن الحركات الديناميكية، مثل التقاط جسم أثناء سقوطه تمثل تحدياً لهذه التقنية.

وعلى الرغم من أن النموذج الذي تم تطويره يثبت فاعليته في مهام المعالجة البطيئة، فإن نهجهم لا يمكنه إنشاء خطة من شأنها تمكين الروبوت من رمي علبة في سلة المهملات، على سبيل المثال.

وفي المستقبل، يخطط الباحثون لتعزيز تقنيتهم ​​حتى تتمكن من معالجة هذه الحركات الديناميكية للغاية.