رویکرد جدید مهندسان MIT برای ارتقای سیستم های رباتیک خودکار

ربات‌های خودکار تا بدین جای کار، پیشرفت‌های چشمگیری از سر گذرانده‌اند. طی سال‌های اخیر، سیستم‌های مصنوعی هوشمند در موقعیت‌های گوناگون به کار رفته‌اند که از جمله‌ آن‌ها می‌توان به خودروهای خودران، پیک غذا، سرویس‌دهی رستوران، غربال‌گری بیماران، نظافت بیمارستان‌ها، آماده‌سازی غذا، امنیت ساختمان و بسته‌بندی محصولات اشاره کرد. هر یک از این سیستم های رباتیک خودکار، طی فرایندی منحصربه‌فرد طراحی شده‌اند. طراحی ربات‌های خودکار مستلزم شبیه‌سازی و آزمون و خطای بی‌شماری است که عموماً به صورت شهودی انجام می‌شوند. این شبیه‌سازی‌ها مطابق با مؤلفه‌ها و مأموریت ربات، متناسب‌سازی می‌شوند، تا عملکرد آن را بهینه سازند. طراحی ربات‌های خودکار را شاید بتوان به پخت کیک بدون در دست داشتن هرگونه دستورالعملی تشبیه کرد که بتواند موفقیت‌آمیز بودن نتیجه را تضمین کند.

مهندسان MIT ابزاری عمومی توسعه داده‌اند که حکم همین دستورالعمل را برای متخصصین رباتیک دارد. این ابزار که کدی برای بهینه‌سازی است، در شبیه‌سازی انواع سیستم های رباتیک خودکار به کار می‌رود و تغییرات موردنیاز برای بهبود عملکرد سیستم را به صورت خودکار تشخیص می‌دهد.

طی آزمایشات، ابزار مذکور موفق به ارتقای سریع عملکرد دو سیستم خودکار متفاوت شده است: رباتی که مسیر بین دو مانع را بررسی می‌کند و سیستمی متشکل از دو ربات که یک جعبه سنگین را جابه‌جا می‌کنند.

پژوهشگران امیدوارند این بهینه‌ساز جدید بتواند فرایند توسعه انواع سیستم‌های خودکار را از ربات‌های متحرک گرفته تا خودروهای خودران، تسریع کند.

چارلز داوسن، دانشجوی MIT و چوچو فن، استاد دانشکده هوانوردی و فضانوردی MIT، پژوهشگران این مقاله هستند. یافته‌های پژوهش در کنفرانس سالانه Robotics: Science and Systems ارائه خواهد شد.

طراحی معکوس

داوسن و فن، زمانی به نیاز مبرم به وجود ابزار بهینه‌سازی عمومی پی بردند که مشاهده کردند در سایر شاخه‌های مهندسی، مجموعه‌ای غنی از ابزارهای طراحی خودکار وجود دارد. داوسن در این باره می‌گوید: «اگر یک مهندس مکانیک بخواهد توربین بادی طراحی کند، برای طراحی سازه از ابزار 3D CAD و برای بررسی مقاومتش از ابزار تحلیل المان محدود استفاده می‌کند؛ اما برای طراحی سیستم های رباتیک خودکار، ابزارهای کامپیوتری از این دست وجود ندارند.»

در حالت عادی، متخصصین رباتیک که قصد بهینه‌سازی عملکرد سیستم های رباتیک خودکار را دارند، از سیستم و تمام سیستم‌های فرعی آن (از جمله مؤلفه‌های سخت‌افزاری، ادراکی، کنترلی و برنامه‌ریزی) یک شبیه‌سازی تهیه می‌کنند و سپس، پارامترهای خاص هر مؤلفه را تنظیم و شبیه‌سازی را دوباره اجرا می‌کنند، تا تغییرات رخ‌داده در عملکرد سیستم را بسنجند.

متخصص رباتیک بعد از چند بار آزمون و خطا می‌تواند مقادیر بهینه‌ پارامترها را برای دستیابی به عملکرد موردنظر دریابد. این فرایند فرسایشی و زمان‌بر است و به شخصی‌سازی فراوانی نیاز دارد.

به گفته‌ داوسن، هدف اصلی فرایند طراحی معکوس‌، بهینه‌سازی بوده است، به نحوی که به جای سؤال «با توجه به یک طراحی خاص، عملکرد چطور خواهد بود؟» بتوان پرسید «با توجه به عملکرد مشاهده‌شده، به چه طراحی نیاز داریم؟»

پژوهشگران یک چارچوب بهینه‌سازی (یک کد کامپیوتری) توسعه داده‌اند که می‌تواند تغییرات موردنیاز برای ارتقای عملکرد سیستم های رباتیک خودکار را پیدا کند.

این کد اساساً مبتنی بر تمایزگذاری خودکار، یا autodiff است: یکی از ابزارهای برنامه‌نویسی که در ابتدا برای آموزش شبکه‌های عصبی به کار می‌رفت. Autodiff تکنیکی است که «مشتق» را ارزیابی می‌کند یا به بیان ساده‌تر، میزان حساسیت تمام پارامترهای موجود در یک نرم‌افزار کامپیوتری را می‌سنجد. اقدامات داوسن و فن بر پایه‌ پیشرفت‌های اخیر Autodiff آغاز شد و به طراحی ابزاری عمومی برای بهینه‌سازی سیستم های رباتیک خودکار انجامید.

داوسن می‌گوید: «این رویکرد به صورت خودکار نشان می‌دهد برای دستیابی به هدف موردنظر باید چه گام‌هایی برداریم. استفاده از Autodiff اجازه می‌دهد کد شبیه‌سازی را از همه نظر بررسی کرده و فرایند طراحی معکوس‌ را به صورت خودکار انجام دهیم.»

ساخت ربات‌های بهتر

پژوهشگران تصمیم به ساخت ربات‌های بهتر گرفتند و ابزار جدید خود را بر روی دو عدد از سیستم های رباتیک خودکار به صورت مجزا آزمایش کردند و نشان دادند که این ابزار می‌تواند با سرعتی بیشتر از روش‌های بهینه‌سازی قدیمی، عملکرد هر یک از این سیستم‌ها را در آزمایشگاه بهبود بخشد.

یکی از این سیستم‌ها رباتی چرخ‌دار بود که وظیفه داشت بر اساس سینگال‌های دریافتی از دو ایستگاه مخابراتی، مسیر بین دو مانع را برنامه‌ریزی کند. پژوهشگران قصد داشتند موقعیت بهینه برای قراردهی این ایستگاه‌ها را پیدا کنند، تا عملکرد ربات در مسیریابی بهبود یابد.

پژوهشگران دریافتند که بهینه‌ساز جدید به سرعت فرایند را معکوس می‌کند، به نحوی که در عرض 5 دقیقه، بهترین موقعیت ایستگاه‌ها را تعیین می‌کند؛ این در حالی است که روش‌های قدیمی برای انجام این کار به 15 دقیقه زمان نیاز دارند.

یکی دیگر از سیستم های رباتیک خودکار، به منظور ساخت ربات‌های بهتر، از دو ربات چرخ‌داری تشکیل شده بود که با هم کار می‌کردند، تا جعبه‌ای را به موقعیت هدف انتقال دهند. شبیه‌سازی این سیستم مستلزم پوشش سیستم‌های فرعی و پارامترهای فراوان بود. با این حال، ابزار جدید توانست با سرعتی 20 برابر بیشتر از رویکردهای قدیمی، مراحل موردنیاز برای موفقیت ربات را شناسایی کند.

فن می‌گوید: «هرچه سیستم‌ پارامترهای بیشتری برای بهینه‌سازی داشته باشد، ابزار جدید عملکرد بهتری از خود نشان داده و زمان بیشتری را ذخیره می‌کند؛ چون مسئله اساساً از نوع ترکیبات است: هرچه تعداد پارامترها افزایش یابد، انتخاب‌ها هم بیشتر می‌شوند و این ابزار می‌تواند انتخاب‌های بیشتری را در یک مرتبه حذف کند.»

پژوهشگران این ابزار را برای دانلود در دسترس عموم قرار داده‌اند و قصد دارند با اصلاح کد، قابلیت اجرا در سیستم های رباتیک خودکار پیچیده‌تر (همچون ربات‌هایی که برای تعامل با انسان‌ها طراحی شده‌اند) را به آن ببخشند.

به گفته‌ داوسن، هدف از پژوهش حاضر این بوده است که افراد را قادر سازیم ساخت ربات‌های بهتر را در دستور کار خود قرار دهند. پژوهشگران دستورالعملی برای بهینه‌سازی سیستم‌ها تهیه کرده‌اند که به موجب آن، متخصصان نیازی به شروع از خانه‌ اول نخواهند داشت. این پژوهش از سوی آژانس علوم و فناوری دفاعی سنگاپور و آزمایشگاه هوش مصنوعی MIT-IBM پشتیبانی شده است.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید