ربات‌های بوستون داینامیکس مهارت‌های جدید یاد می‌گیرند

مارک ریبرت (Marc Raibert)، بنیان‌گذار Boston Dynamics، با طراحی ربات‌هایی که از رقص و پارکور گرفته تا جابجایی کالا در انبار را انجام می‌دهند، چشم‌انداز جهانی رباتیک را تغییر داده است. اکنون، با استفاده از پیشرفت‌های یادگیری ماشین، این شرکت و مؤسسه‌ای که ریبرت تأسیس کرده، در حال توسعه ربات‌هایی هستند که بتوانند حرکات پیچیده را به‌طور مستقل یاد بگیرند.

رقابت در بازار ربات‌های هوشمند

Boston Dynamics که پیشگام طراحی ربات‌های پا دار است، اکنون با رشد شرکت‌هایی که ربات‌های انسان‌نما و سگ‌های رباتیک تولید می‌کنند، در بازاری رقابتی فعالیت می‌کند. برای مثال، استارت‌آپ Figure اخیراً ربات انسان‌نمای Helix را معرفی کرده که توانایی جابجایی خریدهای روزانه را دارد. شرکت x1 نیز ربات عضلانی NEO Gamma را در حال انجام کارهای خانه به نمایش گذاشت. همچنین شرکت Apptronik قصد دارد تولید ربات انسان‌نمای Apollo را افزایش دهد.

با این حال، بسیاری از این ربات‌ها هنوز از نمایش‌های تبلیغاتی فراتر نرفته‌اند و قابلیت‌های واقعی آن‌ها مشخص نیست. آزمون اصلی برای این محصولات، استقلال آن‌ها از کنترل مستقیم انسانی است؛ چالشی که پیشرفت‌های یادگیری ماشین می‌تواند به حل آن کمک کند.

یادگیری تقویتی؛ کلید تحول رباتیک

ریبرت و تیمش در Boston Dynamics و مؤسسه Robotics and AI (RAI) Institute از روش یادگیری تقویتی (Reinforcement Learning) برای توسعه مهارت‌های ربات‌هایشان استفاده می‌کنند. این روش به ربات اجازه می‌دهد از طریق تجربه و دریافت بازخورد مثبت یا منفی، مهارت‌های جدید کسب کند. این رویکرد، که پیش‌تر توسط Google DeepMind برای بازی‌ها و مدل‌های زبانی استفاده شده بود، اکنون به ربات‌ها کمک می‌کند تا حرکات پیچیده‌ای مانند دویدن یا عبور از سطوح ناهموار را یاد بگیرند.

برای مثال، ربات چهارپای Spot اکنون با استفاده از یادگیری تقویتی سه برابر سریع‌تر حرکت می‌کند و ربات انسان‌نمای Atlas نیز توانسته با اعتمادبه‌نفس بیشتری قدم بردارد.

شبیه‌سازی‌های دقیق؛ سرعت‌بخش آموزش ربات‌ها

یکی از نوآوری‌های کلیدی در Boston Dynamics، استفاده از شبیه‌سازی‌های بسیار دقیق برای تسریع فرایند یادگیری ربات‌هاست. به گفته ریبرت، ربات‌ها می‌توانند حرکات جدید را در محیط‌های مجازی تمرین کنند و سپس آن‌ها را در دنیای واقعی اجرا کنند: «دیگر لازم نیست همه آموزش‌ها به‌طور واقعی روی خود ربات انجام شود تا عملکرد خوبی به دست آید.»

این رویکرد، علاوه بر کاهش زمان آموزش، خطر آسیب‌دیدگی ربات‌ها را نیز کاهش می‌دهد. به گفته مدیر ارشد فناوری در RAI Institute، این الگوریتم‌ها باعث می‌شوند ربات‌ها هنگام اجرای وظایف واقعی کمتر دچار حوادث شوند.

آینده‌ای مستقل برای ربات‌ها

Boston Dynamics به‌عنوان شرکتی که ربات‌های دارای پا را براساس اصول تعادل پویا مشابه سیستم عصبی حیوانات طراحی کرده، همچنان در حال پیشبرد مرزهای فناوری رباتیک است. اگرچه ربات‌های این شرکت از نظر تحرک و تعادل بی‌نظیر هستند، استقلال واقعی آن‌ها در انجام وظایف پیچیده هنوز چالش‌برانگیز است.

با تلاش‌های ریبرت در مؤسسه RAI Institute، هدف این است که ربات‌ها بتوانند بدون نیاز به برنامه‌ریزی دستی، رفتارهای متنوعی از خود نشان دهند. اگر این رویکرد موفق شود، ممکن است در آینده شاهد ربات‌هایی باشیم که نه‌تنها وظایف روزمره را انجام می‌دهند، بلکه در محیط‌های پیچیده و غیرقابل پیش‌بینی نیز به‌طور مستقل عمل می‌کنند.