طراحی وب سایت حرفه ای

سیستم CSAIL دستیابی به موفقیت نشان‌‌ می‌دهد که روبات ها‌‌ می‌توانند روزی بتوانند به اندازه کافی به خوبی در خانه‌ها و ادارات مردم مفید باشند.

انسان‌ها مدت‌ها است که از مهارت هایی که به کمک چشمان ما بدست‌‌ می‌آورند‌‌ می‌توانند استفاده نمایند در عین حال، روبات‌ها هنوز در حال پیشرفت هستند.

مطمئنا پیشرفتی در پیش گرفته شده است: طی دهه ها، روبات‌ها در محیط های کنترل شده مانند خطوط مونتاژ توانستند همان شیء را بارها و بارها انتخاب کنند. به تازگی، پیشرفت در دیدگاه رایانه، روباتها را برای ایجاد تمایز اساسی میان اشیاء فعال کرده است. هرچند سیستمها واقعا نمیتوانند اشیا را درک کنند.

در یک مقاله جدید، محققان آزمایشگاه هوش مصنوعی MIT و آزمایشگاه هوش مصنوعی (CSAIL)‌‌ می‌گویند که آنها توسعه کلیدی در این زمینه انجام داده اند: یک سیستم که اجازه‌‌ می‌دهد روبات‌ها اشیاء تصادفی را بررسی کنند و به صورت بصری به اندازه کافی برای انجام آنها مهارت خاصی را درک کنند.

سیستمی به نام Dense Object Nets (DON)، به اشیا به عنوان مجموعه‌ای از نقاط‌‌ می‌پردازد که به عنوان نوعی نقشه های بصری است و این رویکرد، به روباتها درک‌‌ بهتر‌‌ می‌دهد و آنها را دستکاری‌‌ می‌کند، و مهمتر از همه، به آنها اجازه‌‌ می‌دهد حتی یک جسم خاص را در میان یک تکه از مهارت های ارزشمند مشابه برای نوع ماشین هایی که شرکت هایی مانند آمازون و والمارت در انبارها استفاده‌‌ می‌کنند انتخاب کنند.

به عنوان مثال، کسی ممکن است از DON برای یک ربات برای گرفتن یک نقطه خاص بر روی یک شی، استفاده کند، مثلاً‌‌ می‌گوئیم کفش و آن‌‌ می‌تواند به یک کفش که هرگز قبل از آن ندیده را با موفقیت پیدا کند و یاد بگیرد.

بسیاری از رویکردها،‌‌ نمی‌توانند بخش های خاصی از یک شی را در میان بسیاری از جهت هایی که ممکن است با آن مواجه شوند، شناسایی کند. »لوکاس مانوللی، دانشجوی دکترا، نوشته است: مقاله جدیدی درباره سیستم با نویسنده اصلی و دانشجوی دکترای پیت فلورانس همراه با استاد MIT. به عنوان مثال، الگوریتم های موجود قادر به گرفتن دسته‌ای از دسته خود نیستند، به خصوص اگر لیوان‌‌ می‌تواند در جهت های مختلف مانند پایه یا در کنار آن باشد.

این تیم برنامه های کاربردی بالقوه را نه فقط در تنظیمات تولید، بلکه در خانه‌ها نیز‌‌ می‌بیند. تصور کنید که سیستم یک تصویر از یک خانه سالم و تمیز را در حافظه دارد و در حالی که شما در محل کار هستید مرتب‌‌ می‌کند.

همچنین قابل توجه است که هیچ کدام از این اطلاعات در واقع توسط انسان برچسب گذاری نشده است. در عوض، این سیستم چیزی است که تیم خود نظارت‌‌ می‌نامد و نیازی به هیچ توضیح انسانی ندارد.

دو رویکرد مشترک برای درک روبات شامل هر یک از یادگیری های خاص و یا ایجاد یک الگوریتم درک عمومی است. این تکنیک‌ها هر دو دارای موانع هستند: روش های متداول مربوط به وظیفه برای تعمیم دادن به سایر وظایف دشوار است، و درک عمومی به اندازه کافی مشخص نیست تا با تفاوت های ظریف وظایف خاص مانند قرار دادن اشیا در نقاط خاص باشد.

سیستم DON، با این حال، در اصل یک سری از مختصات بر روی یک شی داده‌‌ می‌شود، که به عنوان یک نوع از نقشه راه بصری عمل‌‌ می‌کند و به ربات درک بهتری از آنچه در آن نیاز به درک دارد‌‌ می‌دهد.

تیم آموزش سیستم را به دنبال کردن اشیا به عنوان مجموعه‌ای از نقاط که سیستم مختصات بزرگتر را تشکیل‌‌ می‌دهند‌‌ می‌باشد. سپس‌‌ می‌توان نقاط مختلفی را با هم ترکیب کرد تا یک شکل 3 بعدی جسم را به تصویر بکشد، شبیه به اینکه چگونه عکس های پانوراما از چندین عکس با هم ترکیب‌‌ می‌شوند. پس از آموزش، اگر شخص یک نقطه را در یک شیء مشخص کند، ربات میتواند عکسی از آن شی را بگیرد و نقاط را شناسایی و مطابقت دهد تا بتواند آن شیء را در آن نقطه مشخص نماید.

این متفاوت با سیستم هایی مانند DexNet UC-Berkeley است که‌‌ می‌تواند بسیاری از اقلام مختلف را درک کند ولی‌‌ نمی‌تواند یک درخواست خاص را برآورده کند. تصور کنید که یک کودک 18 ساله است که‌‌ نمی‌داند کدام اسباب بازی را‌‌ می‌خواهید با آن بازی کنید، اما هنوز‌‌ می‌توانید عناوین زیادی را بچرخانید، در مقابل یک چهار ساله که‌‌ می‌تواند پاسخ شما را بگیرد تا کامیون خود را با انتهای قرمز بگیرد.

در یک مجموعه‌ای از آزمایشات انجام شده بر روی یک اسباب بازی قارچ نرم، بازوی روباتیک کوکا توسط DON‌‌ می‌تواند گوش راست اسباب بازی را از طیف وسیعی از تنظیمات مختلف درک کند. این نشان داد که، در میان دیگر موارد، سیستم توانایی تشخیص چپ از راست به اشیاء متقارن است.

در حین آزمایش یک کلاه بیس بال مختلف، DON با وجود تمام کلاه هایی که طرح های بسیار مشابه دارند،‌‌ می‌تواند یک کلاه هدف خاص را انتخاب کند و هرگز عکس هایی از کلاه در داده های آموزشی دیده نشده است.

فلورانس‌‌ می‌گوید: در کارخانه ها، روبات‌ها اغلب نیاز فیدر های پیچیده‌ای را برای کار به طور قابل اعتماد دارند. اما یک سیستم مانند این است که‌‌ می‌تواند جهت گیری های اشیا را درک کند،‌‌ می‌تواند فقط یک عکس بگیرد و بتواند بر اساس آن شیء را درک و تنظیم کند.

در آینده، تیم امیدوار است سیستم را بهبود بخشد که در آن‌‌ می‌تواند وظایف خاصی را با درک عمیق تر از اشیاء مربوطه انجام دهد، مانند یادگیری چگونگی درک یک شیء و حرکت آن با هدف نهایی گفتن، تمیز کردن یک میز و ...

این تیم در ماه آینده در کنفرانس آموزش ربات در زوریخ سوئیس مقاله خود را در سیستم ارائه خواهد کرد.

لطفاً در مورد مطلب فوق ستاره بدهید :