مهندسان با ساخت سیستم RoVi-Aug، انتقال مهارت‌ها بین ربات‌ها را بدون نیاز به دخالت انسان آسان‌تر کرده‌اند.
به گزارش تکناک، آزمایش‌ها نشان داده‌اند که RoVi-Aug با استفاده از داده‌های پیشرفته، به ربات‌ها اجازه می‌دهد تا بلافاصله با ربات‌های دیگر کار کنند، بدون اینکه به زاویه دوربین توجه داشته باشند.
این سیستم بر خلاف روش‌های دیگر، مراحل اضافی را حذف می‌کند، قوانین را تطبیق می‌دهد و ربات‌ها را قادر می‌سازد تا کارهای گروهی انجام دهند.
این مزایا باعث می‌شوند که انتقال مهارت‌ها سریع‌تر و موفقیت‌ها بیشتر شود. مهندسان می‌گویند که این روش قدم بزرگی در جهت ساخت ربات‌های مستقل و قابل تطبیق‌تر است.
تحقیقات نشان می‌دهند که وقتی حجم داده‌ها بیشتر می‌شود، ربات‌ها بهتر می‌توانند مهارت‌های عمومی و قابل اعتماد را یاد بگیرند.
با وجود این، داده‌های ربات‌ها خیلی کمتر از داده‌های استفاده‌شده در مدل‌های پیشرفته هوش مصنوعی برای بینایی و زبان هستند. جمع‌آوری داده‌های مفید و متنوع از دنیای واقعی برای ربات‌ها زمان‌بر و دشوار است.
مدل‌هایی مانند پروژه Open-X Embodiment (OXE) داده‌ها را از 60 مجموعه داده ربات ترکیب می‌کنند تا به ربات‌ها کمک نمایند تجربیات خود را با یکدیگر به اشتراک بگذارند و مهارت‌های خود را بهتر کنند.
محققان می‌گویند که داده‌ها باید تعادل بیشتری داشته باشند و لازم است که ربات‌ها مانند: Franka و xArm روی آنها تسلط پیدا کنند. همچنین نیاز به زوایای مختلف دوربین دارند تا مدل‌ها به درستی کار کنند و بتوانند با ربات‌ها یا دیدگاه‌های مختلف سازگار شوند.
برای حل مشکل تطبیق ربات‌ها، الگوریتمی به نام Mirage وجود دارد، که از روشی به نام رنگ‌آمیزی متقاطع استفاده می‌کند تا ربات‌های آموزش‌ندیده را شبیه به ربات‌های در حال آموزش کند.
این روش برای یادگیری نیازی به آزمایش مؤثر ندارد، اما دارای معایبی نیز می‌باشد، چرا که به مدل‌های دقیق ربات نیاز است، از تنظیم دقیق پشتیبانی نمی‌کند و با تغییرات بزرگ زاویه دوربین مشکل دارد.
سیستم جدید محققان UC Berkeley به نام RoVi-Aug، یک روش پیشرفته می‌باشد که برای رفع مشکلات روش‌های قبلی طراحی شده است.
سیستم RoVi-Aug به جای روش‌های معمول که روی داده‌های ترکیبی از چندین ربات آموزش می‌بینند، روی آموزش دقیق مدل‌ها برای درک تعامل ربات‌ها و وظایف تمرکز می‌کند.
این روش جدید در آموزش ربات‌ها از نمایش‌های بصری مصنوعی استفاده می‌کند، که بسته به نوع ربات و زاویه دوربین متفاوت هستند، که این کار آموزش را قابل تطبیق‌تر می‌کند. سیستم RoVi-Aug شامل دو بخش اصلی است:
- ماژول Ro-Aug که نمایش‌های مختلفی از سیستم‌های رباتیک تولید می‌کند.
- ماژول Vi-Aug که نمایش‌هایی را از زاویه‌های مختلف دوربین شبیه‌سازی می‌کند.
با ترکیب این دو ماژول، چارچوب RoVi-Aug یک مجموعه داده آموزشی متنوع‌تر و غنی‌تر ارائه می‌دهد. این روش به ربات‌ها این امکان را می‌دهد که از طیف وسیع‌تری از شرایط یاد بگیرند و بدون نیاز به جمع‌آوری داده‌هایی زیاد از دنیای واقعی، توانایی آنها برای انتقال مهارت‌ها بین مدل‌ها و وظایف مختلف بهبود یابد.
همچنین این روش وابستگی به داده‌های گسترده دنیای واقعی را کاهش می‌دهد و ربات‌ها می‌توانند از شرایط مختلف یاد بگیرند و توانایی آنها را برای انتقال مهارت‌ها بین مدل‌ها و وظایف گوناگون افزایش می‌دهد.
محققان می‌گویند که این روش، استحکام و تعمیم‌پذیری سیاست‌ها را افزایش می‌دهد و به ربات‌ها کمک می‌کند تا با دیدگاه‌های مختلف و زاویه‌های مختلف دوربین به خوبی کار کنند.
این کار به ربات‌ها این امکان را می‌دهد که نیازی به تنظیمات دقیق زمان آزمایش نداشته باشند و دارای مشکلات روش‌هایی مثل Mirage نباشند.
برخلاف روش‌های دیگر مانند Mirage، سیستم RoVi-Aug نیازی به اطلاعات دقیق دوربین ندارد و از تنظیم سیاست‌ها پشتیبانی می‌کند، که باعث بهبود عملکرد ربات‌ها در وظایف پیچیده می‌شود.
همچنین RoVi-Aug بهره‌وری تنظیم دقیق را افزایش می‌دهد و یادگیری مهارت‌های چندرباته و چندوظیفه‌ای را با آموزش مشترک روی داده‌های اصلی و تقویت‌شده آسان‌تر می‌کند.
اگرچه سیستم RoVi-Aug داده‌های ربات‌ها را بهبود می‌بخشد و انتقال مهارت‌ها را راحت‌تر می‌کند، اما محققان اشاره کرده‌اند که این روش نیز معایبی دارد.
تحقیقات آینده باید به بررسی تغییرات مختلف زمینه، بهبود ترکیب دیدگاه‌ها با داده‌های رباتیک، یکپارچه کردن مدل‌های جفت ربات و مدیریت بهتر آثار بپردازند.
