ROBOCOACH از مدل جهان برای بهبود مهارت‌های ربات استفاده می‌کند

مدل جهان رباتیک در چارچوب پژوهشی ROBOCOACH به ربات‌ها کمک می‌کند شکست‌های احتمالی را پیش از اجرای واقعی وظیفه شناسایی کنند و آموزش‌های بعدی را هدفمندتر سازند. پژوهشگران این روش را برای بهبود مهارت‌های ترکیبی ربات معرفی کرده‌اند؛ مهارت‌هایی که باید در ترتیب‌ها و ترکیب‌های گوناگون برای انجام وظایف طولانی به کار گرفته شوند. هدف، کاهش نیاز به گردآوری پرهزینه نمایش‌های کامل و تازه برای هر وظیفه است.

مدل جهان رباتیک چگونه نقش مربی را بازی می‌کند؟

در ROBOCOACH، مهارت‌های قابل استفادهٔ مجدد ربات داخل COACHWORLD اجرا می‌شوند؛ مدلی از محیط که با توجه به کنش‌های ربات، پیامدهای احتمالی را شبیه‌سازی می‌کند. چنین مدلی که «مدل جهان» نام دارد، تصویری محاسباتی از چگونگی تغییر محیط در اثر عمل‌های ربات فراهم می‌کند.

چارچوب، پیشرفت ربات را هنگام اجرای یک وظیفه ارزیابی می‌کند و نخستین زیرکاری را که به نتیجه نمی‌رسد ثبت می‌کند. منظور از زیرکار، بخش کوچک‌تری از یک وظیفهٔ بزرگ است؛ برای نمونه، یک مرحله از زنجیره‌ای از کنش‌های دست‌کاری. سپس سوابق شکست برای انتخاب زیرکارهایی به کار می‌روند که باید از آن‌ها نمایش آموزشی بیشتری گردآوری شود، و نیز مشخص می‌کنند کدام مهارت‌های تخصصی ربات باید به‌روزرسانی شوند.

چرخهٔ چهارمرحله‌ای برای آموزش هدفمند

پژوهشگران فرایند ROBOCOACH را در قالب چرخه‌ای به نام RIDI توضیح می‌دهند: «مسیریابی، تصور، تشخیص و بهبود». در این فرایند، مهارت‌های موجود در مدل جهان اجرا می‌شوند، شکست‌های احتمالی به‌صورت شبیه‌سازی‌شده بررسی می‌شوند و سامانه محل توقف پیشرفت را تشخیص می‌دهد. بر پایهٔ این تشخیص، نمایش‌های آموزشی و به‌روزرسانی‌های بعدی به بخش‌هایی اختصاص می‌یابند که بیشترین نیاز را دارند.

این رویکرد با آموزش یکنواخت تفاوت دارد: به‌جای جمع‌آوری نمایش‌های اضافی به‌صورت یکسان برای همهٔ بخش‌ها، تلاش آموزشی به زیرکارهایی هدایت می‌شود که در سوابق شکست مشکل‌ساز بوده‌اند. نمایش آموزشی در این زمینه، نمونه‌ای از چگونگی اجرای یک زیرکار است که می‌تواند برای اصلاح مهارت ربات به کار رود.

نتایج در شبیه‌سازی و ربات‌های واقعی

طبق چکیدهٔ پژوهش، ROBOCOACH در دو مجموعهٔ شبیه‌سازی و روی دو پلتفرم ربات واقعی ارزیابی شده است. در ۲۲ جفت از وظیفه و سیاست ربات، موفقیت پیش‌بینی‌شده در شبیه‌سازی با موفقیت هنگام اجرای واقعی همبستگی ۰٫۸۴۰ داشته است. این نتیجه نشان می‌دهد ارزیابی‌های مدل در این آزمایش‌ها با عملکرد اجراشده هم‌جهت بوده‌اند؛ هرچند به‌تنهایی تضمین نمی‌کند پیش‌بینی مدل در همهٔ شرایط دقیق باشد.

در مقایسه‌های کنترل‌شده، پژوهشگران گزارش کرده‌اند که روش مربی‌گری آن‌ها با بودجهٔ داده و زمان‌بندی به‌روزرسانی مشابه، از روش‌های پایهٔ مقایسه‌شده بهتر عمل کرده است. با افزودن ۱۵۰ نمایش از زیرکارها، نرخ موفقیت روی ربات Franka از ۱۳٫۳ به ۷۵ درصد و روی AgileX از ۴۰ به ۸۳٫۸ درصد رسید.

پژوهش همچنین انتقال مهارت به چهار ترکیب وظیفه‌ای را بررسی کرده که در آموزش هدف قرار نگرفته بودند. موفقیت میانگین ROBOCOACH در این ترکیب‌ها ۳۵ درصد بود؛ در مقایسه، یک سیاست مشترک که با نمایش‌های گردآوری‌شده به‌شکل یکنواخت به‌روزرسانی شده بود، موفقیتی ثبت نکرد. این یافته، به‌گفتهٔ پژوهشگران، از ظرفیت آموزش هدفمند برای استفادهٔ دوباره از مهارت‌ها در ترکیب‌های جدید پشتیبانی می‌کند.

این خبر برای چه کسانی اهمیت دارد

این پژوهش برای گروه‌هایی اهمیت دارد که ربات‌ها را برای وظایف چندمرحله‌ای، از جمله دست‌کاری اشیا، آموزش می‌دهند و با هزینهٔ بالای تهیهٔ نمایش‌های تازه روبه‌رو هستند. ایدهٔ استفاده از شکست‌های شبیه‌سازی‌شده می‌تواند به آن‌ها کمک کند آموزش را به نقاط ضعف مشخص محدود کنند. بااین‌حال، نتایج گزارش‌شده مربوط به آزمایش‌های همین پژوهش است و چکیده جزئیات بیشتری دربارهٔ دامنهٔ وظایف یا عملکرد در محیط‌های متفاوت ارائه نمی‌کند.