محققان آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) دانشگاه MIT رویکردی نوآورانه معرفی کرده‌اند که به ربات‌ها اجازه می‌دهد در شبیه‌سازی محیط‌های اسکن شده خانگی آموزش ببینند و راه را برای اتوماسیون خانگی سفارشی‌شده و در دسترس همگان هموار کنند.
این پروژه به رهبری مارسل تورنه ویلاسویل و پولکیت آگراوال، با استفاده از فناوری «دوقلوی دیجیتال» توسعه یافته است. این فناوری به ربات‌ها امکان می‌دهد در محیط‌های شبیه‌سازی شده بسیار سریع‌تر از دنیای واقعی تمرین کنند. مارسل تورنه ویلاسویل، محقق CSAIL و نویسنده اصلی مقاله، می‌گوید: "هدف ما این است که ربات‌ها در برابر اختلالات، حواس‌پرتی‌ها، شرایط نوری مختلف و تغییرات در موقعیت اشیاء در یک محیط واحد عملکرد بسیار خوبی داشته باشند."
این روش به کاربران اجازه می‌دهد با استفاده از تلفن‌های همراه خود، نسخه دیجیتالی از دنیای واقعی را ضبط کنند و ربات‌ها می‌توانند با استفاده از این داده‌ها در محیط شبیه‌سازی شده آموزش ببینند. این فرآیند با اسکن محیط هدف با ابزارهایی مانند NeRFStudio، ARCode یا Polycam آغاز می‌شود و سپس کاربران می‌توانند صحنه را به رابط RialTo بارگذاری کنند تا تنظیمات دقیق را انجام دهند و اتصالات لازم را به ربات‌ها اضافه کنند.
آزمایش‌ها نشان داد که RialTo سیاست‌های قوی برای مجموعه‌ای از وظایف، از جمله باز کردن توستر، قرار دادن کتاب روی قفسه، گذاشتن بشقاب روی رک، قرار دادن فنجان روی قفسه، باز کردن کشو و کابینت ایجاد کرده است. در هر وظیفه، عملکرد سیستم در سه سطح دشواری افزایش‌یافته شامل تغییر موقعیت اشیاء، افزودن حواس‌پرتی‌های بصری و اعمال اختلالات فیزیکی آزمایش شد. این سیستم به ویژه در شرایطی با حواس‌پرتی‌های بصری یا اختلالات فیزیکی عملکرد بهتری نسبت به روش‌های سنتی آموزش تقلیدی داشت.
پروژه RialTo یک گام بزرگ به سوی آینده‌ای است که در آن ربات‌ها می‌توانند به صورت خودکار محیط خود را اسکن کرده و بدون نیاز به تعامل گسترده با دنیای واقعی، وظایف خاص را در شبیه‌سازی یاد بگیرند. این رویکرد می‌تواند کاربردهای عملی رباتیک را سریع‌تر از تکیه صرف بر سیاست‌های همه‌جانبه و جهانی به واقعیت نزدیک کند.
با این حال، محدودیت‌هایی نیز وجود دارد. برای مثال، آموزش کامل این سیستم سه روز طول می‌کشد و همچنین انتقال آسان از شبیه‌سازی به دنیای واقعی هنوز چالش‌برانگیز است. با این حال، محققان امیدوارند با بهبود الگوریتم‌های زیرساختی و استفاده از مدل‌های پایه، این فرآیند را تسریع کنند.
در مجموع، این پیشرفت می‌تواند تأثیر چشمگیری بر نحوه استفاده و آموزش ربات‌ها در محیط‌های خانگی داشته باشد و راه را برای اتوماسیون خانگی سفارشی‌شده و کارآمد هموار کند.
https://news.mit.edu/2024/precision-home-robotics-real-sim-real-0731
chatgpt 4o
