مقاله ای در رابطه با خلق یک ربات که میتواند تصوری از خود داشته باشد

مهندسان رباتی خلق کردند که میتواند تصوری از خود داشته باشد

 

مهندسان رباتی خلق کردند که می تواند با دانش صفر قبلی از فیزیک , هندسه , دینامیک موتور , چیزی را که هست یاد بگیرد .

در ابتدا ربات هیچ نشانه ای از شکلش ندارد, و در حدود یک روز از محاسبات فشرده، ربات یک شبیه سازی از خود ایجاد می کند. پس از آن می تواند به شرایط و موقعیت های مختلف فکر کند و آن را انطباق دهد, از جمله , دست زدن به کارهای جدید و همچنین تشخیص و تعمیر آسیب در بدن خود.

 
 انسان ها توانایی تصور خود را دارند , برای تصور خود در سناریوهای آینده , مانند راه رفتن در کنار ساحل در یک روز آفتابی گرم .
انسانها همچنین می توانند با تجدید تجربیات گذشته و بازتاب در مورد آنچه که درست یا غلط بوده است , یاد بگیرند. 
در حالی که انسانها و حیوانات تصوری از خودرا در طول زندگیشان بدست می اورند و و خود را وفق می دهند .
 
 اکثر روبات ها با استفاده از شبیه ساز ها و مدل های ارائه شده توسط انسان یا توسط کار سخت , آموزش می دهند .
روبات ها یاد نگرفته اند خودشان را شبیه سازی کنند , به روشی که انسا نها انجام میدهند .
 
محققان مهندسی Columbia پیشرفت های بزرگی در رباتیک ایجاد کرده اند, که خلق یک ربات است که میتواند تصوری از خود داشته باشد.
 
این کار امروز در Science Robotics منتشر شده است.
 
 

تا به امروز، روبات ها با داشتن یک انسان بطور صریح,  مدل ربات عمل می کنند. اما اگر ما روبات ها را مستقل کنیم، به سرعت به صحنه هایی که توسط سازندگان آنها پیش بینی نشده است، انطباق پیدا می کنیم. سپس ضروری است که آنها یاد بگیرند که خودشان را شبیه سازی کنند .

 

Hod Lipson، استاد مهندسی مکانیک و مدیر آزمایشگاه خلاق ماشین ها می گوید که تحقیق انجام شده است .

برای مطالعه، Lipson و دانشجوی دکترای خود  Kwiatkowski  Robertاستفاده از بازوی رباتیکی بند بند ,با چهار درجه آزادی استفاده کردند .

 

 

در ابتدا، ربات به طور تصادفی حرکت کرد و تقریبا یک هزار مسیر را جمع آوری کرد, که هر یک از 100 امتیاز را شامل می شود . سپس ربات از آموزش عمیق، تکنیک یادگیری ماشین مدرن, برای ایجاد مدل خود استفاده کرد.

 

اولین مدل های خود کاملا نادرست بودند و ربات آنچه بود یا چگونگی اتصال مفاصل آن را  نمی دانست . اما پس از کمتر از 35 ساعت آموزش, خود مدل با ربات فیزیکی در حدود چهار سانتی متر سازگار شد .

 

خود مدل، کار انتخاب و محل را در یک سیستم حلقه بسته انجام داد, که ربات را قادر می سازد موقعیت اصلی خود را بین هر مرحله در امتداد مسیر که کاملا بر اساس مدل خودمختار داخلی است, دوباره محاسبه کند.

 

با کنترل حلقه بسته, ربات توانست اشیا را در مکان های مشخصی در زمین درک کند , و آنها را با موفقیت 100 درصد به یک محل  کنار بگذارد .

 

حتی در یک سیستم حلقه باز، که شامل انجام یک کار که کاملا بر اساس مدل خود درونی است, بدون هیچ  بازخورد خارجی, ربات قادر به انجام وظیفه انتخاب و محل کار با میزان موفقیت 44 درصد بود . این همانند ,تلاش برای برداشتن یک لیوان آب با چشمان بسته است. یک فرآیند سخت حتی برای انسانها است .

 

 

ربات self-modeling نیز برای انجام وظایف دیگر مورد استفاده قرار می گیرد , مانند نوشتن متن با استفاده از نشانگر . برای بررسی اینکه آیا خود مدل میتواند صدمه به خود را تشخیص دهد . محققان پرینتر سه بعدی یک بخش تغییر شکل داده شده را برای شبیه سازی, آسیب دیدند و ربات توانست تغییرات را شناسایی کند و self-modelخود را دوباره آموزش داد . ربات  self-model جدید, قادر است  تا وظایف انتخاب و محل خود را با کمترین کارکرد از سر بگیرد.

 

 

 
 Lipson، همچنین عضو موسسه علوم داده, نیز می باشد وی بیان میکند : در حالی که توانایی ربات ما برای تصور کردن خود، هنوز نسبت به انسانها خام است,  ما معتقدیم که این توانایی در مسیر دستیابی به خودآگاهی است و همچنین معتقد است که روباتیک و هوش مصنوعی ممکن است یک پنجره تازه را به پازل آگاهی قدیمی تبدیل کنند. ما هنوز فاقد درک با مفهوم ذهنی مانند «بومی از واقعیت» هستیم , اما روبات ها اکنون ما را مجبور به ترجمه این مفهوم های مبهم به الگوریتم ها و مکانیسم های بتنی می کنند. او هشدار می دهد "این یک تکنولوژی قدرتمند است، اما باید با دقت مورد توجه قرار گیرد."
 
محققان اکنون در حال بررسی اینکه آیا روبات می تواند نه تنها ذرات خود را مدل کند، بلکه ذهن خود را نیز به کار می گیرد، همانطور که روبات ها می توانند در مورد تفکر فکر کنند.
 
 
 
منابع : 
 
 
 

http://www.engineering.columbia.edu/

Materials provided by Columbia University School of Engineering and Applied Science. Original written by Holly Evarts. Note: Content may be edited for style and length.

 

Robert Kwiatkowski, Hod Lipson. Task-agnostic self-modeling machinesScience Robotics, 2019; 4 (26)

An image of the deformed robotic arm in multiple poses as it was collecting data through random motion