یادگیری عمیق به روبات‌ها کمک می‌کند تا اشیا را به راحتی بگیرند و حرکت دهند

منتشر شده در: sciencedaily به تاریخ ۱۹ نوامبر ۲۰۲۰
لینک مطلب اصلی: Deep learning helps robots grasp and move objects with ease

در سال گذشته، محاصره و دیگر اقدامات ایمنی COVID19 خرید آنلاین را بیش از همیشه محبوب کرده‌است، اما تقاضای رو به افزایش باعث شده‌است که بسیاری از خرده فروشان در حال تلاش برای انجام سفارش باشند در حالی که امنیت کارکنان انبار خود را تضمین می‌کنند.

محققان دانشگاه کالیفرنیا، برکلی، نرم‌افزار هوش مصنوعی جدیدی خلق کرده‌اند که به روبات‌ها سرعت و مهارت درک و حرکت آرام اشیا را می‌دهد و این امکان را می‌دهد که به زودی به انسان‌ها در محیط‌های انبار کمک کنند. این فن‌آوری در مقاله‌ای که امروز (چهارشنبه، ۱۸ نوامبر) به صورت آنلاین در مجله علم روباتیک منتشر شده‌است، توصیف شده‌است.

کار خودکار انبار می‌تواند چالش برانگیز باشد زیرا بسیاری از کارهایی که به طور طبیعی برای انسان‌ها انجام می‌شود-مانند تصمیم‌گیری در مورد مکان و چگونگی برداشتن انواع مختلف اشیا و سپس هماهنگی شانه، بازو و حرکات مچ مورد نیاز برای حرکت هر شی از یک مکان به مکان دیگر-در واقع برای روبات‌ها بسیار دشوار هستند. حرکت روبوتیک نیز ممکن است نامنظم باشد که می‌تواند خطر آسیب رساندن به محصولات و روبات‌ها را افزایش دهد.

استاد برجسته مهندسی در دانشگاه برکلی و مولف ارشد این مطالعه، Ken Goldberg, William S Floyd Jr می‌گوید: « هنوز هم این انبارها در درجه اول توسط انسان‌ها اداره می‌شوند، زیرا هنوز دسترسی به اشیا مختلف برای روبات‌ها بسیار دشوار است.» در خط مونتاژ خودرو، همان حرکت بارها و بارها تکرار می‌شود تا بتوان آن را خودکار کرد. اما در یک انبار، همه نظام‌ها متفاوت است.

در تحقیقات اخیر، جفری ایچنوفسکی، محقق فوق‌دکترا و دانشگاه برکلی، یک پلنر حرکت بهینه گرفتن اشیا را ایجاد کردند که می‌توانست محاسبه کند که چگونه یک ربات باید یک شی را بردارد و چگونه باید حرکت کند تا شی را از یک مکان به مکان دیگر منتقل کند.

با این حال، حرکات ایجاد شده توسط این برنامه‌ریز، نامنظم بودند. در حالی که پارامترهای نرم‌افزار را می توان برای ایجاد حرکات هموارتر تغییر داد، این محاسبات به طور متوسط حدود نیم دقیقه برای محاسبه طول کشید.

در مطالعه جدید، گلدبرگ و ایچنوفسکی، با همکاری دانشجو فارغ‌التحصیل دانشگاه برکلی، Yahav Avigal و دانشجوی کارشناسی، Vishal Satish، به طور چشمگیری زمان محاسبات برنامه‌ریز حرکت را با یکپارچه‌سازی یک شبکه عصبی عمیق یادگیری افزایش دادند.

شبکه‌های عصبی به یک ربات اجازه می‌دهند تا از مثال‌ها یاد بگیرد. بعدها، ربات اغلب می‌تواند به اشیا و حرکات مشابه تعمیم داده شود.

با این حال، این تقریب‌ها همیشه به اندازه کافی دقیق نیستند. گلدبرگ و ایچنوفسکی دریافتند که تقریب تولید شده توسط شبکه عصبی می‌تواند با استفاده از برنامه‌ریز حرکت بهینه شود.

ایچنوفسکی  گفت: "شبکه عصبی تنها چند میلی‌ثانیه طول می‌کشد تا حرکت تقریبی را محاسبه کند. خیلی سریع است، اما دقیق نیست. با این حال، اگر آن تقریب را در برنامه‌ریز حرکت تغذیه کنیم، برنامه‌ریز حرکت تنها به چند تکرار برای محاسبه حرکت نهایی نیاز دارد."

با ترکیب شبکه عصبی با برنامه‌ریز حرکت، تیم میانگین زمان محاسبات را از ۲۹ ثانیه به ۸۰ میلی‌ثانیه یا کم‌تر از یک دهم ثانیه کاهش می‌دهد.

گلدبرگ پیش‌بینی می‌کند که با این امر و سایر پیشرفت‌ها در تکنولوژی روباتیک، روبات‌ها می‌توانند در چند سال آینده به محیط‌های انبار کمک کنند.

گلدبرگ گفت: « خرید برای خواربار، دارو، لباس و بسیاری چیزهای دیگر در نتیجه COVID19 تغییر کرده‌است و مردم احتمالا پس از پایان این بیماری همه‌گیر به خرید به این شیوه ادامه خواهند داد. این یک فرصت جدید و هیجان‌انگیز برای روبات‌ها جهت حمایت از کارگران انسانی است.»

ترجمه این مقاله با استفاده از ربات ترجمه آنلاین مقالات هوش مصنوعی انجام شده و بصورت محدود مورد بازبینی انسانی قرار گرفته است. در نتیجه ممکن است دارای برخی اشکالات ترجمه باشد.