AI-ის გამოყენება რობოტიკის განვითარებაში ახალი შესაძლებლობების კარი გახსნა, რაც რობოტებს უფრო მოქნილ და ეფექტურ სისტემებად აქცევს. ეს ქეისი განიხილავს, როგორ ეხმარება AI ტექნოლოგიები რობოტებს ახალ გარემოში რთული დავალებების შესრულებაში მინიმალური მომზადების გარეშე.
ხელოვნური ინტელექტი და რობოტიკა – როგორ ეხმარება AI რობოტებს ახალ გარემოში დავალებების შესრულებაში
მკვლევარებმა New York University-დან, Meta-დან და Hello Robot-იდან შეიმუშავეს AI მოდელები, რომელთა საშუალებითაც რობოტებს შეუძლიათ შეასრულონ დავალებები ახალ, უცნობ გარემოში, დამატებითი მომზადების გარეშე. ეს ტექნოლოგია „რობოტის სარგებლობის მოდელები“ (Robot Utility Models, RUMs) საშუალებას აძლევს რობოტებს შეასრულონ კონკრეტული დავალებები — კარისა და უჯრების გაღება, ქსოვილების, ჩანთებისა და ცილინდრული ობიექტების აღება — 90%-იანი წარმატებით ახალ გარემო პირობებში.
ამ მოდელებმა შეიძლება მნიშვნელოვანი ცვლილებები მოახდინონ რობოტიკის სფეროში, რადგან ისინი საშუალებას აძლევენ მანქანებს სწრაფად შეისწავლონ ახალი უნარები და იმოქმედონ ადრე უცნობ ადგილებში, რაც შეამცირებს მათ წვრთნასთან დაკავშირებულ ხარჯებსა და დროულ მოთხოვნებს. ეს ტექნოლოგია განსაკუთრებით მნიშვნელოვანია, როცა რობოტები ყოველდღიურ ცხოვრებაში ხვდებიან და უნდა შეძლონ მრავალი სახის დავალების შესრულება სახლის პირობებში.
ტექნოლოგიის არსი
რობოტების წვრთნა ახალი გარემო პირობებისათვის, ჩვეულებრივ, მოითხოვს ახალ მონაცემებზე დაყრდნობით წვრთნას, რაც ხანგრძლივი და ძვირადღირებული პროცესია. თუმცა, ამ ახალი RUM მოდელების საშუალებით რობოტებს შეუძლიათ შეასრულონ წინასწარ განსაზღვრული დავალებები, როგორიცაა კარის გაღება ან ობიექტების აღება, მრავალფეროვან გარემოში დამატებითი მომზადების ან მონაცემთა მორგების გარეშე.
მკვლევარები იყენებდნენ საკმაოდ იაფ მოწყობილობას — iPhone-ით დაკავშირებულ საძიებო–მაღლედს, რათა ჩაეწერათ 1000-მდე დემონსტრაცია 40 სხვადასხვა გარემოში, მათ შორის, საცხოვრებელ სახლებში ნიუ–იორკსა და ჯერსი სიტიში. ამ მონაცემთა ბაზაზე დაყრდნობით შემუშავდა ხუთი RUM მოდელი, რომლებიც სპეციალიზებულნი არიან ხუთი ძირითადი დავალების შესასრულებლად: კარისა და უჯრების გაღება, ქსოვილების, ჩანთების და ცილინდრული ობიექტების აღება.
მოდელების შედეგები და გაუმჯობესება
შედეგები ტესტირებისას საკმაოდ წარმატებული აღმოჩნდა. Stretch რობოტს, რომელიც აღჭურვილი იყო iPhone-ითა და კამერით, 74.4%-იანი წარმატება ჰქონდა დავალებების შესრულებაში. თუმცა, როდესაც ამ მონაცემებს მიაწოდეს OpenAI-ის GPT-4o მოდელს, მისი დახმარებით შეძლეს წარმატების მაჩვენებლის 90%-მდე გაზრდა. GPT-4o-ს მიერ გაკეთებული შეფასებების შემდეგ, თუ რობოტი ვერ ასრულებდა დავალებას, ის ხელახლა იწყებდა.
რობოტიკის გამოწვევები და შესაძლებლობები
ერთ–ერთი ყველაზე დიდი გამოწვევა, რომელსაც რობოტიკის მკვლევარები აწყდებიან, არის ის, რომ ლაბორატორიული ტესტირებები ხშირად არ შეესაბამება რეალურ სამყაროში არსებულ პირობებს. ამიტომ, ამ კვლევამ, რომელიც საშუალებას აძლევს რობოტებს უკეთ იმოქმედონ ახალ გარემოში, დიდი გამოხმაურება დაიმსახურა. „მიუხედავად იმისა, რომ ლაბორატორიაში წარმატება ხშირად არ ნიშნავს, რომ ეს მოდელები იმუშავებენ რეალურ გარემოში, ამ პროექტმა აჩვენა, რომ რობოტებს შეუძლიათ იმოქმედონ მრავალფეროვან და რთულ პირობებში,“ აღნიშნა მოჰიტ შრიდარმა, რობოტიკის ექსპერტმა.
ამ ტექნოლოგიას შეიძლება გლობალური გავლენა ჰქონდეს, რადგან ის ხსნის გზას სხვა სასარგებლო მოდელების შექმნისთვის, რომლებიც იმავე პრინციპით ისწავლიან ახალ დავალებებს. ამის საშუალებით შესაძლებელია რობოტების გამოყენება სახლებში, ოფისებსა და სხვა ადგილებში, სადაც მათი ჩართვა ახალი მონაცემების გარეშე საჭირო იქნება.
მომავალი პერსპექტივები
მკვლევრების აზრით, ეს მოდელები შეიძლება გახდეს საყოველთაოდ ხელმისაწვდომი, რაც საშუალებას მისცემს მომხმარებლებს, რომ ნებისმიერი ახალი მოდელი გადმოწერონ და გამოიყენონ სახლში რობოტის მართვისთვის. ამ მიდგომას შეუძლია გაამარტივოს და გაიაფოს რობოტების გამოყენება ყოველდღიურ ცხოვრებაში.
პროექტის მომავალი ეტაპები მოიცავს რობოტების ახალი უნარების სწავლების პროცესის კიდევ უფრო გაუმჯობესებასა და გამარტივებას, რაც გახდის მათ უფრო ხელმისაწვდომსა და ეფექტიანს.
დასკვნა
RUM მოდელების შემუშავებამ რევოლუცია მოახდინა იმაში, თუ როგორ შეუძლიათ რობოტებს იმოქმედონ ახალ გარემო-პირობებში. ეს ტექნოლოგია ხსნის გზას უფრო სწრაფი და ეფექტიანი რობოტული სისტემების დანერგვისთვის, რაც საშუალებას მისცემს მათ უკეთ მოერგონ ჩვენს ყოველდღიურ ცხოვრებას და გამოიყენონ ახალი უნარები დამატებითი წვრთნის გარეშე.
წყარო: MIT Technology Review
