การสอนหุ่นยนต์เพื่อสอนหุ่นยนต์
ระบบใหม่ C-LEARN ผสมผสานองค์ประกอบแบบดั้งเดิมสองประการของการเรียนรู้ด้วยหุ่นยนต์เข้าด้วยกัน ได้แก่ การเรียนรู้จากการสาธิตและสิ่งที่เรียกว่าการวางแผนการเคลื่อนไหว ซึ่งนักพัฒนาจะต้องฮาร์ดโค้ดโดยนักพัฒนา พวกเขากล่าวว่าเทคนิคใหม่นี้มีจุดมุ่งหมายเพื่อให้หุ่นยนต์ทำงานต่างๆ ได้ง่ายขึ้นโดยใช้โปรแกรมน้อยลง
“หุ่นยนต์สามารถช่วยได้มากหากมีคนใช้หุ่นยนต์มากกว่านี้” คลอเดีย เปเรซ-ดาร์ปิโนผู้สมัครระดับปริญญาเอกที่ทำงานในโครงการนี้บอกกับ Digital Trends เธออธิบายว่าแรงจูงใจของทีมคือการรักษาทักษะระดับสูงบางอย่างที่เปิดใช้งานโดยโปรแกรมเมอร์ที่ล้ำสมัย ขณะเดียวกันก็ปล่อยให้ระบบเรียนรู้ผ่านการสาธิต
วิดีโอแนะนำ
การเขียนโปรแกรมหุ่นยนต์ให้ทำงานแม้แต่งานเดียวอาจมีความซับซ้อน โดยเกี่ยวข้องกับคำสั่งที่แม่นยำซึ่งต้องใช้เวลาในการเขียนโค้ด Perez-D'Arpino และทีมของเธอได้พัฒนา C-LEARN เพื่อให้ผู้เชี่ยวชาญมุ่งเน้นไปที่งานที่เกี่ยวข้องกับสาขาของตนมากที่สุด ด้วยระบบนี้ ผู้ที่ไม่ใช่ผู้เขียนโค้ดสามารถให้ข้อมูลบิตแก่หุ่นยนต์เกี่ยวกับการกระทำ จากนั้นเติมเต็มช่องว่างโดยแสดงให้หุ่นยนต์สาธิตงานที่มีอยู่
เจสัน ดอร์ฟแมน / เอ็มไอที ซีเซล
“เราต้องการ … ให้อำนาจ [ผู้เชี่ยวชาญ] ในการสอนหุ่นยนต์ถึงวิธีการวางแผนงานที่มีความสำคัญอย่างยิ่งในสาขาการใช้งานของพวกเขา” Pérez-D’Arpino กล่าว “ความก้าวหน้าในการเรียนรู้จากการสาธิตในช่วงไม่กี่ปีที่ผ่านมากำลังดำเนินไปในทิศทางนี้”
C-LEARN ทำงานโดยการสั่งสมประสบการณ์ซึ่งผู้วิจัยเรียกว่าฐานความรู้ ฐานนี้ประกอบด้วยข้อมูลทางเรขาคณิตเกี่ยวกับการเอื้อมและจับวัตถุ จากนั้น ผู้ปฏิบัติงานที่เป็นมนุษย์จะแสดงให้หุ่นยนต์สาธิต 3D ของงานที่ทำอยู่ ด้วยการเชื่อมโยงฐานความรู้กับการกระทำที่สังเกต หุ่นยนต์สามารถให้คำแนะนำเกี่ยวกับวิธีการดำเนินการที่ดีที่สุด และผู้ปฏิบัติงานสามารถอนุมัติหรือแก้ไขข้อเสนอแนะตามที่เห็นสมควร
“ฐานความรู้นี้สามารถถ่ายโอนจากหุ่นยนต์ตัวหนึ่งไปยังอีกตัวหนึ่งได้” Pérez-D'Arpino กล่าว “ลองนึกภาพหุ่นยนต์ของคุณกำลังดาวน์โหลด 'แอป' เพื่อทักษะการจัดการ 'แอป' สามารถปรับให้เข้ากับหุ่นยนต์ตัวใหม่ที่มีร่างกายที่แตกต่างกันด้วยความยืดหยุ่นในการเรียนรู้ข้อจำกัดซึ่งเป็นคณิตศาสตร์ เป็นตัวแทนของข้อกำหนดทางเรขาคณิตพื้นฐานของงาน ซึ่งแตกต่างจากการเรียนรู้เส้นทางเฉพาะที่อาจเป็นไปไม่ได้ใน หุ่นยนต์ตัวใหม่”
กล่าวอีกนัยหนึ่ง C-LEARN ช่วยให้ความรู้นั้นสามารถถ่ายทอดและปรับให้เข้ากับบริบทได้ เช่นเดียวกับวิธีที่นักกีฬาสามารถเรียนรู้ ทักษะในกีฬาประเภทหนึ่งและปรับเปลี่ยนเล็กน้อยเพื่อให้ทำงานได้ดีขึ้นในกีฬาประเภทอื่น โดยไม่ต้องเรียนรู้ใหม่ทั้งหมด การกระทำ.
นักวิจัยได้ทดสอบ C-LEARN กับหุ่นยนต์ Optimus ซึ่งเป็นหุ่นยนต์สองแขนขนาดเล็กที่ออกแบบมาเพื่อการกำจัดระเบิด ก่อนที่จะถ่ายโอนทักษะดังกล่าวไปยัง Atlas ซึ่งเป็นหุ่นยนต์รูปร่างคล้ายมนุษย์ที่มีความสูง 6 ฟุตได้สำเร็จ พวกเขาคิดว่าระบบสามารถช่วยปรับปรุงประสิทธิภาพของหุ่นยนต์ในการผลิตและการบรรเทาภัยพิบัติ เพื่อให้สามารถตอบสนองได้รวดเร็วยิ่งขึ้นในสถานการณ์ที่ต้องคำนึงถึงเวลา
คำแนะนำของบรรณาธิการ
- MIT เรียนรู้ที่จะทำให้หุ่นยนต์เงอะงะน้อยลงด้วยการวางกล้องไว้ในนิ้ว
- ดู Mini Cheetahs จาก MIT ลุกขึ้นสู้กับหายนะของหุ่นยนต์
- หุ่นยนต์งูของ MIT ได้รับการออกแบบมาเพื่อคลานผ่านหลอดเลือดในสมอง
- เด็กๆ MIT Whiz มีหุ่นยนต์มาลุย #BottleCapChallenge แบบไวรัล
- นักวิจัยชาวญี่ปุ่นใช้ AI การเรียนรู้เชิงลึก เพื่อให้หุ่นยนต์ไม้ระแนงเคลื่อนที่
ยกระดับไลฟ์สไตล์ของคุณDigital Trends ช่วยให้ผู้อ่านติดตามโลกเทคโนโลยีที่เปลี่ยนแปลงอย่างรวดเร็วด้วยข่าวสารล่าสุด รีวิวผลิตภัณฑ์สนุกๆ บทบรรณาธิการเชิงลึก และการแอบดูที่ไม่ซ้ำใคร
