موسسه تحقیقاتی تویوتا در حال توسعه روش جدیدی برای آموزش یک شبه ربات‌هاست

موسسه تحقیقاتی تویوتا تلاش‎های خود را برای آموزش ربات‌ها با استفاده از مجموعه عظیمی از مدل‌های رفتاری به اشتراک می‌گذارد. آنها در تلاش هستند تا ربات‌ها را آموزش دهند تا از بسیاری از اعمال و رفتارهای مختلف درس بگیرند.

به گزارش هوشیو، یادگیری ممکن است هیجان‌انگیزترین مرز در کل رباتیک باشد. قدمت این رشته به چندین دهه قبل برمی‌گردد. به عنوان مثال، دهه ۸۰ پیشرفت‌های هیجان‌انگیزی در یادگیری از طریق نمایش به ارمغان آورد، اما تعداد زیادی از پروژه‌های تحقیقاتی در مدارسی مانند CMU،MIT  و UC Berkeley به آینده‌ای اشاره می‌کنند که در آن ربات‌ها بسیار شبیه به همتایان انسانی خود یاد می‎گیرند.

در رویداد TechCrunch Disrupt، موسسه تحقیقاتی تویوتا (TRI) پیشرفت‌هایی را در تحقیقات خود به نمایش می‌گذارد که می‌تواند به معنای واقعی کلمه یک شبه به یک ربات یک مهارت جدید بیاموزد.

گیل پرت، مدیرعامل و دانشمند ارشدTRI ، سرعت قابل‌‎توجهی را در فناوری جدیدی که با آن کار می‌کند، برجسته ساخته و می‌گوید:«در گذشته، یادگیری ماشینی به میلیون‌ها آیتم آموزشی نیاز داشت تا به درستی کار کند، اما اکنون به نظر می‌رسد که تنها ده‌ها مورد برای آموزش این مدل‌ها مورد نیاز است. این پیشرفت اجازه می‎دهد تا فرایندهای سریعتر و کارآمدتر شوند، حتی در مواردی که تنوع در آموزش اهمیت کمتری دارد.»

سیستم توسعه‌یافته توسط TRI، تکنیک‌های مختلفی را برای آموزش مهارت‎های مختلف به ربات‌ها ترکیب می‌کند‌. شاخه تحقیقاتی این خودروساز می‌گوید با استفاده از این روش، ربات‌هایی با ۶۰ مهارت را آموزش داده است، اما مدل‎های موجود به‎تنهایی قادر به حل مشکل نیستند.

بنجامین بورچفیل، دانشمند ارشد تحقیقاتی TRI، می‌گوید:«ما با ظهور مدل‌های زبان بزرگ پیشرفت بزرگی را مشاهده کرده‌ایم که از آنها برای انتقال این سطح بالای هوش شناختی به ربات‌ها استفاده می‌کند. اگر رباتی دارید که چیزی را برمی دارد، اکنون به جای اینکه یک شی را مشخص کنید، می‌توانید به آن بگویید که قوطی کوکاکولا را بردارد، یا می‎توانید به آن بگویید که جسم براق را بردارد. این واقعاً عالی است، اما با این حال، این مدل‌ها محدودیت‌هایی دارند و نمی‌توانند کارهایی مانند وصل کردن یک دستگاه USB یا برداشتن دستمال کاغذی را انجام دهند. آنها واقعا مفید هستند، اما آن بخش از مشکل را حل نمی‌کنند. ما روی پرداختن به این محدودیت متمرکز هستیم و از پیشرفتی که تاکنون داشته‌ایم، بسیار هیجان زده‌ایم.»

یکی از مزیت‌های اصلی این روش، توانایی برنامه‎ریزی مهارت‌هایی است که ربات‌ها را قادر می‌سازد، در انواع مختلف محیط‎ها با موفقیت کار کنند. این مهم است، زیرا ربات‌ها معمولاً هنگام کار در محیط‌هایی که دارای ساختار کمتر یا سازمان‌دهی نشده‌اند، با مشکلاتی مواجه می‌شوند. به عنوان مثال، عملکرد یک ربات در یک انبار، در مقایسه با یک جاده یا خانه آسان‌تر است، زیرا انبارها معمولاً با چیدمان ثابت و موانع کمتری طراحی می‌شوند.

در حالت ایده‌آل، شما رباتی می‎خواهید که بتواند خود را با موقعیت‌های غیرمنتظره انطباق دهد. تمرکز اصلی TRI بر روی توسعه سیستم‌هایی است که می‌توانند به افراد مسن کمک کنند تا مستقل زندگی کنند، که این امر به ویژه در مکان‌هایی با جمعیت سالخورده مانند ژاپن مهم است. بر این اساس، هدف طراحی یک سیستم همه‎کاره است که بتواند در محیط‎های مختلف کار کند و بتواند به طور یکپارچه با تغییرات سازگار شود.