تقویت مهارت برش در ربات ها به کمک شبیه‌ساز

محققان دانشکده علوم کامپیوتر در دانشگاه کالیفرنیای جنوبی (USC) و NVIDIA از شبیه‌سازی برای تقویت مهارت برش در ربات ها رونمایی کرده‌اند؛ این شبیه‌ساز قادر به بازسازی نیروهای وارده به چاقو (برای مثال، برش دادن مواد غذایی از جمله میوه‌ها و سبزیجات) است. علاوه بر این، این سیستم می‌تواند بُرش بافت‌های بدن انسان را شبیه‌سازی کند و به همین دلیل ظرفیت آن را دارد که از آن در جراحی رباتیک استفاده شود. در مقاله‌ای که در کنفرانس رباتیک علوم و سیستم‌ها (RSS) ارائه شد، کارکرد این شبیه‌ساز به طور کامل شرح داده شد. این کنفرانس شانزدهم جولای سال ۲۰۲۱ برگزار شد و این مقاله موفق به دریافت جایزه بهترین مقاله دانشجویی شد.

در گذشته، پژوهشگران در ساخت ربات‌های مبتنی بر فناوری هوش مصنوعی که بتوانند چیزی را بُرش دهند، به مشکل می‌خوردند و همواره به دنبال راهی برای تقویت مهارت برش در ربات ها بودند. در دنیای واقعی هیچ دو شی‌ای شبیه به هم نیستند و به همین دلیل، سیستم‌های برش رباتیک کنونی در تفکیک آن‌ها به مشکل می‌خورند. این تیم پژوهشی برای رفع این مشکل، رویکرد خاصی ارائه داده‌اند؛ در این رویکرد میان دو نیمه شی‌ای که قرار است بریده شود خاصیت کشسانی برقرار می‌شود و به وسیله مِش نشان داده می‌شوند. خاصیت کشسانی در طول زمان و به نسبت فشاری که با چاقو بر روی مش وارد می‌شود، تضعیف می‌شود.

این شبیه‌ساز برای اینکه این مهارت‌ها را از محیط شبیه‌سازی خارج کند و در محیط واقعی به نمایش بگذارد، باید بتواند از یک سیستم واقعی تقلید کند. این پژوهشگران در یکی از آزمایشات خود از دیتاستی متشکل از نیروهای وارده استفاده کردند. این نیروها از یک ربات فیزیکی استخراج شده بودند تا شبیه‌ساز به درستی بتواند نحوه حرکت چاقو در دنیای واقعی را پیش‌بینی کند. از این شبیه‌ساز می‌توان در صنعت فرآوری مواد غذایی استفاده کرد؛ ربات‌ها در این حوزه از صنعت می‌توانند کارهای خطرناک همچون برش‌های تکراری را انجام دهند. علاوه بر این، می‌توان از این شبیه‌ساز در جراحی رباتیک استفاده کرد؛ برای مثال، این شبیه‌ساز می‌تواند دقت بازخورد لمسی را افزایش داد و از جراحت‌های احتمالی جلوگیری کند.

هیدن، دانشجوی مقطع دکتری در دانشگاه کالیفرنیای جنوبی (USC)، که این شبیه‌ساز را ساخته است، می‌گوید: « مهم است مدل دقیقی برای بُرش دادن بسازیم که بتواند نیروهای وارده بر ابزار بُرش را در هنگام بریدن بافت‌های مختلف، بازسازی کند. ما با تکیه بر این رویکرد می‌توانیم شبیه‌ساز خود را به صورت خودکار تنظیم کنیم تا با مواد مختلف مطابقت پیدا کند و شبیه‌سازی‌های بسیار دقیقی از نیروها به دست آوریم.» این تیم پژوهشی قصد دارند در پژوهش‌های آتی خود این سیستم را به منظور تقویت مهارت برش در ربات ها، البته ربات‌های دنیای واقعی، به کار گیرند.