முக்கியமான பொருள்களில் ரோபோக்கள் பூஜ்ஜியமாக உதவுதல்

MIT பொறியாளர்கள் ஒரு முறையை உருவாக்கியுள்ளனர், இது ரோபோக்கள் இதேபோன்ற உள்ளுணர்வு, பணி தொடர்பான முடிவுகளை எடுக்க உதவுகிறது.

கிளியோ என்று பெயரிடப்பட்ட குழுவின் புதிய அணுகுமுறை, கையில் உள்ள பணிகளைக் கருத்தில் கொண்டு, முக்கியமான காட்சியின் பகுதிகளை அடையாளம் காண ரோபோவை செயல்படுத்துகிறது. கிளியோவுடன், ஒரு ரோபோ இயற்கையான மொழியில் விவரிக்கப்பட்டுள்ள பணிகளின் பட்டியலை எடுத்துக்கொள்கிறது, அந்த பணிகளின் அடிப்படையில், அது அதன் சுற்றுப்புறங்களை விளக்குவதற்குத் தேவையான கிரானுலாரிட்டியின் அளவைத் தீர்மானிக்கிறது மற்றும் தொடர்புடைய ஒரு காட்சியின் பகுதிகளை மட்டும் “நினைவில்” வைக்கிறது.

MITயின் வளாகத்தில் உள்ள இரைச்சலான க்யூபிகல் முதல் ஐந்து மாடிக் கட்டிடம் வரையிலான உண்மையான சோதனைகளில், “மூவ் ரேக்” போன்ற இயற்கை மொழித் தூண்டுதல்களில் குறிப்பிடப்பட்ட பணிகளின் தொகுப்பின் அடிப்படையில், குழுவானது பல்வேறு நிலைகளில் காட்சியை தானாகப் பிரிக்க கிளியோவைப் பயன்படுத்தியது. இதழ்கள்” மற்றும் “முதலுதவி பெட்டியைப் பெறுங்கள்.”

குழுவானது கிளியோவை நிகழ்நேரத்தில் நான்கு மடங்கு ரோபோவில் இயக்கியது. ரோபோ ஒரு அலுவலக கட்டிடத்தை ஆராய்ந்தபோது, ​​ரோபோவின் பணிகளுடன் தொடர்புடைய காட்சியின் பகுதிகளை மட்டுமே கிளியோ கண்டறிந்து வரைபடமாக்கினார் (அலுவலகப் பொருட்களின் குவியல்களைப் புறக்கணிக்கும் போது நாய் பொம்மையை மீட்டெடுப்பது போன்றவை), ரோபோ ஆர்வமுள்ள பொருட்களைப் புரிந்துகொள்ள அனுமதிக்கிறது.

க்ளியோ என்பது கிரேக்க வரலாற்றின் அருங்காட்சியகத்தின் பெயரால் பெயரிடப்பட்டது, கொடுக்கப்பட்ட பணிக்கு முக்கியமான கூறுகளை மட்டுமே அடையாளம் கண்டு நினைவில் வைத்திருக்கும் அதன் திறனுக்காக. பல சூழ்நிலைகள் மற்றும் சூழல்களில் கிளியோ பயனுள்ளதாக இருக்கும் என்று ஆராய்ச்சியாளர்கள் கருதுகின்றனர், அதில் ஒரு ரோபோ விரைவாக ஆய்வு செய்து அதன் சுற்றுப்புறங்களை அதன் கொடுக்கப்பட்ட பணியின் பின்னணியில் உணர வேண்டும்.

“தேடுதல் மற்றும் மீட்பு இந்த வேலைக்கு ஊக்கமளிக்கும் பயன்பாடாகும், ஆனால் Clio மனிதருடன் இணைந்து தொழிற்சாலை தளத்தில் பணிபுரியும் உள்நாட்டு ரோபோக்கள் மற்றும் ரோபோக்களுக்கு சக்தி அளிக்க முடியும்,” என்கிறார் MIT இன் ஏரோநாட்டிக்ஸ் மற்றும் ஆஸ்ட்ரோனாட்டிக்ஸ் துறையின் (AeroAstro), முதன்மை ஆய்வாளர் லூகா கார்லோன். தகவல் மற்றும் முடிவெடுக்கும் அமைப்புகளுக்கான ஆய்வகம் (LIDS), மற்றும் MIT SPARK ஆய்வகத்தின் இயக்குனர். “இது உண்மையில் சுற்றுச்சூழலைப் புரிந்துகொள்ள ரோபோவுக்கு உதவுவது மற்றும் அதன் பணியை நிறைவேற்றுவதற்கு அது நினைவில் கொள்ள வேண்டியவை.”

குழு தங்கள் முடிவுகளை இன்று பத்திரிகையில் வெளிவரும் ஒரு ஆய்வில் விவரிக்கிறது ரோபாட்டிக்ஸ் மற்றும் ஆட்டோமேஷன் கடிதங்கள். கார்லோனின் இணை ஆசிரியர்களில் SPARK ஆய்வகத்தின் உறுப்பினர்கள் அடங்குவர்: டொமினிக் மாகியோ, யுன் சாங், நாதன் ஹியூஸ் மற்றும் லூகாஸ் ஷ்மிட்; மற்றும் எம்ஐடி லிங்கன் ஆய்வகத்தின் உறுப்பினர்கள்: மேத்யூ ட்ராங், டான் கிரிஃபித், கார்லின் டகெர்டி மற்றும் எரிக் கிறிஸ்டோஃபாலோ.

திறந்த புலங்கள்

கணினி பார்வை மற்றும் இயற்கை மொழி செயலாக்கம் ஆகிய துறைகளில் பெரும் முன்னேற்றங்கள் ரோபோக்கள் தங்கள் சூழலில் உள்ள பொருட்களை அடையாளம் காண உதவுகின்றன. ஆனால் சமீப காலம் வரை, ரோபோக்களால் “மூடிய-செட்” காட்சிகளில் மட்டுமே இதைச் செய்ய முடிந்தது, அங்கு அவை கவனமாகக் கட்டுப்படுத்தப்பட்ட மற்றும் கட்டுப்படுத்தப்பட்ட சூழலில் வேலை செய்ய திட்டமிடப்பட்டுள்ளன, ரோபோ அடையாளம் காண முன் பயிற்சியளிக்கப்பட்ட வரையறுக்கப்பட்ட எண்ணிக்கையிலான பொருள்களுடன்.

சமீபத்திய ஆண்டுகளில், மிகவும் யதார்த்தமான அமைப்புகளில் பொருட்களை அடையாளம் காண ரோபோக்களை செயல்படுத்த ஆராய்ச்சியாளர்கள் மிகவும் “திறந்த” அணுகுமுறையை எடுத்துள்ளனர். திறந்த-செட் அங்கீகாரத் துறையில், ஆராய்ச்சியாளர்கள் நரம்பியல் நெட்வொர்க்குகளை உருவாக்க ஆழமான கற்றல் கருவிகளைப் பயன்படுத்தி, இணையத்திலிருந்து பில்லியன் கணக்கான படங்களைச் செயலாக்க முடியும், ஒவ்வொரு படத்தின் தொடர்புடைய உரையும் (நண்பரின் Facebook படம் போன்ற ஒரு நாயின் படம் போன்றவை, “Meet என் புதிய நாய்க்குட்டி!”).

மில்லியன் கணக்கான பட-உரை ஜோடிகளிலிருந்து, ஒரு நரம்பியல் நெட்வொர்க் நாய் போன்ற குறிப்பிட்ட சொற்களின் சிறப்பியல்புகளைக் கொண்ட ஒரு காட்சியில் உள்ள அந்தப் பிரிவுகளிலிருந்து கற்றுக்கொள்கிறது. ஒரு ரோபோ ஒரு நாயை முற்றிலும் புதிய காட்சியில் கண்டுபிடிக்க அந்த நரம்பியல் வலையமைப்பைப் பயன்படுத்த முடியும்.

ஆனால் ஒரு குறிப்பிட்ட பணிக்கு பொருத்தமான ஒரு காட்சியை எவ்வாறு பயனுள்ள வகையில் அலசுவது என்பது இன்னும் சவாலாகவே உள்ளது.

“வழக்கமான முறைகள் சில தன்னிச்சையான, நிலையான கிரானுலாரிட்டி அளவைத் தேர்ந்தெடுக்கும், ஒரு காட்சியின் பகுதிகளை ஒரு 'பொருளாக' நீங்கள் கருதக்கூடியவற்றில் எவ்வாறு இணைப்பது என்பதைத் தீர்மானிக்கும்,” மாஜியோ கூறுகிறார். “இருப்பினும், நீங்கள் 'பொருள்' என்று அழைப்பதன் கிரானுலாரிட்டி உண்மையில் ரோபோ என்ன செய்ய வேண்டும் என்பதோடு தொடர்புடையது. அந்த கிரானுலாரிட்டி பணிகளைக் கருத்தில் கொள்ளாமல் சரி செய்யப்பட்டால், ரோபோ அதன் பயனற்ற வரைபடத்துடன் முடிவடையும். பணிகள்.”

தகவல் இடையூறு

கிளியோவுடன், MIT குழு, ரோபோக்கள் தங்கள் சுற்றுப்புறங்களை கிரானுலாரிட்டியின் அளவைக் கொண்டு, கையில் உள்ள பணிகளுக்குத் தானாக மாற்றியமைக்க முடியும்.

உதாரணமாக, புத்தகங்களின் அடுக்கை ஒரு அலமாரிக்கு நகர்த்தும் பணி கொடுக்கப்பட்டால், புத்தகங்களின் முழு அடுக்கையும் பணி தொடர்பான பொருள் என்பதை ரோபோ தீர்மானிக்க முடியும். அதேபோல், பச்சைப் புத்தகத்தை மற்ற அடுக்கில் இருந்து நகர்த்துவது பணியாக இருந்தால், ரோபோ பச்சைப் புத்தகத்தை ஒற்றை இலக்குப் பொருளாக வேறுபடுத்தி, மீதமுள்ள காட்சியைப் புறக்கணிக்க வேண்டும் — அடுக்கில் உள்ள மற்ற புத்தகங்கள் உட்பட.

குழுவின் அணுகுமுறை அதிநவீன கணினி பார்வை மற்றும் நரம்பியல் நெட்வொர்க்குகளை உள்ளடக்கிய பெரிய மொழி மாதிரிகளை ஒருங்கிணைக்கிறது. ஒரு படத்தை தானாகப் பல சிறிய பிரிவுகளாகப் பிரிக்கும் மேப்பிங் கருவிகளையும் அவை இணைத்துக் கொள்கின்றன, சில பிரிவுகள் சொற்பொருளில் ஒரே மாதிரியானவையா என்பதைத் தீர்மானிக்க நரம்பியல் வலையமைப்பில் கொடுக்கப்படலாம். ஆராய்ச்சியாளர்கள் “தகவல் இடையூறு” என்று அழைக்கப்படும் உன்னதமான தகவல் கோட்பாட்டிலிருந்து ஒரு யோசனையைப் பயன்படுத்துகின்றனர், இது ஒரு குறிப்பிட்ட பணிக்கு மிகவும் பொருத்தமான பகுதிகளைத் தேர்ந்தெடுத்து சேமிக்கும் வகையில் பல படப் பகுதிகளை சுருக்குவதற்குப் பயன்படுத்துகிறது.

“உதாரணமாக, காட்சியில் புத்தகக் குவியல் இருப்பதாகவும், பச்சைப் புத்தகத்தைப் பெறுவதே எனது பணி என்றும் கூறுங்கள். அப்படியானால், காட்சியைப் பற்றிய அனைத்துத் தகவலையும் இந்த இடையூறு வழியாகத் தள்ளிவிட்டு, அதைக் குறிக்கும் பிரிவுகளின் தொகுப்புடன் முடிவடையும். பச்சை புத்தகம்,” மாஜியோ விளக்குகிறார். “பொருத்தமில்லாத மற்ற அனைத்து பிரிவுகளும் ஒரு கிளஸ்டரில் தொகுக்கப்படும், அதை நாம் வெறுமனே அகற்றலாம். மேலும் எனது பணியை ஆதரிக்க தேவையான ஒரு பொருளை சரியான கிரானுலாரிட்டியில் விட்டுவிடுகிறோம்.”

ஆராய்ச்சியாளர்கள் கிளியோவை வெவ்வேறு நிஜ உலக சூழல்களில் நிரூபித்துள்ளனர்.

“எனது அபார்ட்மெண்டில் கிளியோவை இயக்குவது உண்மையில் முட்டாள்தனமான பரிசோதனையாக இருக்கும் என்று நாங்கள் நினைத்தோம், அங்கு நான் முன்பு சுத்தம் செய்யவில்லை,” என்று மாஜியோ கூறுகிறார்.

“உடைகளின் குவியலை நகர்த்துதல்” போன்ற இயற்கை மொழிப் பணிகளின் பட்டியலைக் குழு உருவாக்கியது, பின்னர் மேகியோவின் இரைச்சலான குடியிருப்பின் படங்களுக்கு கிளியோவைப் பயன்படுத்தியது. இதுபோன்ற சந்தர்ப்பங்களில், கிளியோவால் அடுக்குமாடி குடியிருப்பின் காட்சிகளை விரைவாகப் பிரித்து, துணிகளின் குவியலை உருவாக்கிய அந்த பிரிவுகளை அடையாளம் காண தகவல் பாட்டில்நெக் அல்காரிதம் மூலம் பிரிவுகளுக்கு உணவளிக்க முடிந்தது.

அவர்கள் பாஸ்டன் டைனமிக் நிறுவனத்தின் நான்கு வடிவ ரோபோவான ஸ்பாட்டிலும் கிளியோவை இயக்கினர். அவர்கள் ரோபோவுக்கு முடிக்க வேண்டிய பணிகளின் பட்டியலைக் கொடுத்தனர், மேலும் ரோபோ ஒரு அலுவலக கட்டிடத்தின் உட்புறத்தை ஆராய்ந்து வரைபடமாக்கியது, கிளியோ நிகழ்நேரத்தில் ஸ்பாட்டில் பொருத்தப்பட்ட ஆன்-போர்டு கணினியில் ஓடி, வரைபட காட்சிகளில் உள்ள பகுதிகளைத் தேர்வு செய்தார். கொடுக்கப்பட்ட பணியுடன் பார்வைக்கு தொடர்புடையது. இந்த முறை இலக்கு பொருள்களைக் காட்டும் மேலடுக்கு வரைபடத்தை உருவாக்கியது, பின்னர் அடையாளம் காணப்பட்ட பொருட்களை அணுகவும், பணியை முடிக்கவும் ரோபோ பயன்படுத்தியது.

“நிகழ்நேரத்தில் கிளியோவை இயக்குவது அணிக்கு ஒரு பெரிய சாதனையாக இருந்தது,” மாகியோ கூறுகிறார். “முந்தைய வேலைகள் பல மணிநேரம் ஆகலாம்.”

முன்னோக்கிச் செல்லும்போது, ​​உயர்நிலைப் பணிகளைக் கையாளும் வகையில் கிளியோவை மாற்றியமைக்க குழு திட்டமிட்டுள்ளது.

“நாங்கள் இன்னும் கிளியோவுக்கு 'கார்டுகளின் தளத்தைக் கண்டுபிடி' போன்ற ஓரளவு குறிப்பிட்ட பணிகளைக் கொடுத்து வருகிறோம்,” என்று மகியோ கூறுகிறார். “தேடுதல் மற்றும் மீட்புக்கு, 'உயிர் பிழைத்தவர்களைக் கண்டுபிடி' அல்லது 'பவர் திரும்பப் பெறுதல்' போன்ற உயர்நிலைப் பணிகளை நீங்கள் கொடுக்க வேண்டும். எனவே, மிகவும் சிக்கலான பணிகளை எவ்வாறு நிறைவேற்றுவது என்பது பற்றிய மனித அளவிலான புரிதலைப் பெற விரும்புகிறோம்.”

இந்த ஆராய்ச்சிக்கு, அமெரிக்க தேசிய அறிவியல் அறக்கட்டளை, சுவிஸ் தேசிய அறிவியல் அறக்கட்டளை, எம்ஐடி லிங்கன் ஆய்வகம், அமெரிக்க கடற்படை ஆராய்ச்சி அலுவலகம் மற்றும் அமெரிக்க ராணுவ ஆராய்ச்சி ஆய்வகம் விநியோகிக்கப்பட்ட மற்றும் கூட்டு நுண்ணறிவு அமைப்புகள் மற்றும் தொழில்நுட்ப கூட்டு ஆராய்ச்சி கூட்டணி ஆகியவை ஆதரவு அளித்தன.