მოკლე პასუხი: რობოტები ხელოვნურ ინტელექტს იყენებენ აღქმის, გაგების, დაგეგმვის, მოქმედებისა და სწავლის უწყვეტი ციკლის გასაშვებად, რათა მათ შეძლონ უსაფრთხოდ გადაადგილება და მუშაობა არეულ-დარეულ, ცვალებად გარემოში. როდესაც სენსორები ხმაურიანდება ან მათი საიმედოობა ეცემა, კარგად შემუშავებული სისტემები ანელებენ, უსაფრთხოდ ჩერდებიან ან დახმარებას ითხოვენ ვარაუდების ნაცვლად.
ძირითადი დასკვნები:
ავტონომიის ციკლი : სისტემების აგება შეგრძნება-გაგება-დაგეგმვა-მოქმედება-სწავლის პრინციპებზე და არა ერთ მოდელზე.
გამძლეობა : დიზაინი მდგრადია ბზინვარების, არეულობის, სრიალის და ადამიანების არაპროგნოზირებადი მოძრაობის მიმართ.
გაურკვევლობა : გამოავლინეთ თავდაჯერებულობა და გამოიყენეთ იგი უფრო უსაფრთხო, კონსერვატიული ქცევის გამოსაწვევად.
უსაფრთხოების ჟურნალები : ჩაიწერეთ ქმედებები და კონტექსტი, რათა შეცდომები იყოს აუდიტისა და გამოსწორების საგანი.
ჰიბრიდული დასტა : საიმედოობისთვის შეუთავსეთ ML ფიზიკურ შეზღუდვებსა და კლასიკურ კონტროლს.
ქვემოთ მოცემულია მიმოხილვა, თუ როგორ ვლინდება ხელოვნური ინტელექტი რობოტებში, რათა მათ ეფექტურად იფუნქციონირონ.
სტატიები, რომელთა წაკითხვაც შეიძლება მოგეწონოთ ამის შემდეგ:
🔗 როდესაც ილონ მასკის რობოტები სამუშაო ადგილებს საფრთხეს უქმნიან
რისი გაკეთება შეუძლიათ Tesla-ს რობოტებს და რომელი როლები შეიძლება შეიცვალოს.
🔗 რა არის ჰუმანოიდი რობოტის ხელოვნური ინტელექტი?
გაიგეთ, როგორ აღიქვამენ, მოძრაობენ და ასრულებენ ჰუმანოიდი რობოტები ინსტრუქციებს.
🔗 რა სამუშაო ადგილებს ჩაანაცვლებს ხელოვნური ინტელექტი?
ავტომატიზაციისადმი ყველაზე მეტად მგრძნობიარე როლები და უნარები, რომლებიც ფასდაუდებელი რჩება.
🔗 ხელოვნური ინტელექტის სამუშაოები და მომავალი კარიერა
დღევანდელი ხელოვნური ინტელექტის კარიერული გზები და როგორ ცვლის ხელოვნური ინტელექტი დასაქმების ტენდენციებს.
როგორ იყენებენ რობოტები ხელოვნურ ინტელექტს? სწრაფი გონებრივი მოდელი
ხელოვნური ინტელექტით აღჭურვილი რობოტების უმეტესობა შემდეგ ციკლს მიჰყვება:
-
სენსი 👀: კამერები, მიკროფონები, LiDAR, ძალის სენსორები, ბორბლის ენკოდერები და ა.შ.
-
გაგება 🧠: ობიექტების აღმოჩენა, პოზიციის შეფასება, სიტუაციების ამოცნობა, მოძრაობის პროგნოზირება.
-
დაგეგმეთ 🗺️: აირჩიეთ მიზნები, გამოთვალეთ უსაფრთხო ბილიკები, დაგეგმეთ დავალებები.
-
მოქმედება 🦾: მოტორული ბრძანებების გენერირება, მოჭიდება, გადაბრუნება, ბალანსის დაცვა, დაბრკოლებების თავიდან აცილება.
-
სწავლა 🔁: მონაცემების გამოყენებით აღქმის ან ქცევის გაუმჯობესება (ზოგჯერ ონლაინ, ხშირად ოფლაინ).
რობოტული „ხელოვნური ინტელექტის“ დიდი ნაწილი სინამდვილეში ერთად მომუშავე ნაწილების ერთობლიობაა - აღქმა , მდგომარეობის შეფასება , დაგეგმვა და კონტროლი - რომლებიც ერთად ავტონომიას ქმნიან.
ერთი პრაქტიკული „საველე“ რეალობა: რთული, როგორც წესი, არ არის რობოტის მიერ რაღაცის გაკეთება ერთხელ, სუფთა დემო ვერსიის დროს - რთული ნაწილია მისი დაშვება, რომ იგივე მარტივი რამ საიმედოდ , როდესაც განათება იცვლება, ბორბლები სრიალებს, იატაკი ბზინავს, თაროები გადაადგილებულია და ადამიანები არაპროგნოზირებადი NPC-ებივით დადიან.
რა ხდის რობოტს კარგ ხელოვნურ ინტელექტს?
მყარი რობოტის ხელოვნური ინტელექტის სისტემა არა მხოლოდ ჭკვიანი უნდა იყოს - ის საიმედო არაპროგნოზირებად, რეალურ გარემოში.
მნიშვნელოვანი მახასიათებლები მოიცავს:
-
რეალურ დროში შესრულება ⏱️ (დროულობა მნიშვნელოვანია გადაწყვეტილების მისაღებად)
-
არეული მონაცემების მიმართ მდგრადობა (ბზინვარება, ხმაური, არეულობა, მოძრაობის დაბინდვა)
-
მოხდენილი წარუმატებლობის რეჟიმები 🧯 (შეანელეთ ტემპი, უსაფრთხოდ გაჩერდით, დახმარების თხოვნა)
-
კარგი წინასწარი ცოდნა + კარგი სწავლა (ფიზიკა + შეზღუდვები + მანქანური სწავლება - არა მხოლოდ „ვიბრაციები“)
-
გაზომვადი აღქმის ხარისხი 📏 (სენსორების/მოდელების გაუარესების შესახებ ინფორმაციის ცოდნა)
საუკეთესო რობოტები ხშირად ისინი კი არ არიან, რომლებსაც ერთხელ მაინც შეუძლიათ თვალისმომჭრელი ხრიკის გაკეთება, არამედ ისინი, რომლებსაც შეუძლიათ მოსაწყენი სამუშაოს ყოველდღიურად კარგად შესრულება.
რობოტის ხელოვნური ინტელექტის საერთო სამშენებლო ბლოკების შედარების ცხრილი
| ხელოვნური ინტელექტის ნაწილი / ინსტრუმენტი | ვისთვის არის ეს? | ფასის მსგავსი | რატომ მუშაობს |
|---|---|---|---|
| კომპიუტერული ხედვა (ობიექტის აღმოჩენა, სეგმენტაცია) 👁️ | მობილური რობოტები, იარაღი, დრონები | საშუალო | ვიზუალურ შეყვანას გარდაქმნის გამოსაყენებელ მონაცემებად, როგორიცაა ობიექტის იდენტიფიკაცია |
| SLAM (რუკების შექმნა + ლოკალიზაცია) 🗺️ | რობოტები, რომლებიც მოძრაობენ | საშუალო-მაღალი | რობოტის პოზიციის თვალყურის დევნებისას ქმნის რუკას, რაც ნავიგაციისთვის უმნიშვნელოვანესია [1] |
| ბილიკის დაგეგმვა + დაბრკოლებების თავიდან აცილება 🚧 | მიწოდების ბოტები, საწყობის AMR-ები | საშუალო | ითვლის უსაფრთხო მარშრუტებს და ადაპტირდება დაბრკოლებებთან რეალურ დროში |
| კლასიკური მართვა (PID, მოდელზე დაფუძნებული მართვა) 🎛️ | ყველაფერი, რაც ძრავებს უკავშირდება | დაბალი | უზრუნველყოფს სტაბილურ, პროგნოზირებად მოძრაობას |
| გაძლიერებული სწავლება (RL) 🎮 | რთული უნარები, მანიპულირება, ლოკომოტივი | მაღალი | სწავლობს ჯილდოზე დაფუძნებული ცდისა და შეცდომის პოლიტიკის მეშვეობით [3] |
| მეტყველება + ენა (ASR, განზრახვა, LLM) 🗣️ | ასისტენტები, მომსახურე რობოტები | საშუალო-მაღალი | საშუალებას იძლევა ადამიანებთან ბუნებრივი ენის საშუალებით ურთიერთქმედება |
| ანომალიების აღმოჩენა + მონიტორინგი 🚨 | ქარხნები, ჯანდაცვა, უსაფრთხოებისთვის კრიტიკული | საშუალო | უჩვეულო ნიმუშებს აფიქსირებს მანამ, სანამ ისინი ძვირი ან საშიში გახდება |
| სენსორული შერწყმა (კალმანის ფილტრები, შესწავლილი შერწყმა) 🧩 | ნავიგაცია, დრონები, ავტონომიის დასტები | საშუალო | უფრო ზუსტი შეფასებებისთვის აერთიანებს ხმაურიან მონაცემთა წყაროებს [1] |
აღქმა: როგორ გარდაქმნიან რობოტები სენსორების ნედლ მონაცემებს მნიშვნელობად
აღქმა არის ის, როდესაც რობოტები სენსორულ ნაკადებს ისეთ რამედ გარდაქმნიან, რისი გამოყენებაც რეალურად შეუძლიათ:
-
კამერები → ობიექტის ამოცნობა, პოზის შეფასება, სცენის გაგება
-
LiDAR → მანძილი + დაბრკოლების გეომეტრია
-
სიღრმის კამერები → 3D სტრუქტურა და თავისუფალი სივრცე
-
მიკროფონები → მეტყველება და ხმოვანი სიგნალები
-
ძალის/ბრუნვის მომენტის სენსორები → უფრო უსაფრთხო მოჭიდება და თანამშრომლობა
-
ტაქტილური სენსორები → სრიალის აღმოჩენა, კონტაქტის მოვლენები
რობოტები ხელოვნურ ინტელექტს ეყრდნობიან ისეთ კითხვებზე პასუხის გასაცემად, როგორიცაა:
-
„რა საგნებია ჩემს წინ?“
-
„ეს ადამიანია თუ მანეკენი?“
-
„სადაა სახელური?“
-
„რამე ხომ არ მოძრაობს ჩემსკენ?“
დახვეწილი, მაგრამ მნიშვნელოვანი დეტალი: აღქმის სისტემებმა იდეალურ შემთხვევაში უნდა გამოსცენ გაურკვევლობა (ან სანდოობის მაჩვენებელი) და არა მხოლოდ დადებითი/არა პასუხი, რადგან შემდგომი დაგეგმვისა და უსაფრთხოების შესახებ გადაწყვეტილებები დამოკიდებულია რობოტის დარწმუნებულობაზე
ლოკალიზაცია და რუკა: იმის ცოდნა, თუ სად იმყოფებით პანიკის გარეშე
რობოტმა სათანადო ფუნქციონირებისთვის უნდა იცოდეს, სად მდებარეობს. ეს ხშირად SLAM-ის (ერთდროული ლოკალიზაცია და რუკების შედგენა) : რუკის აგება რობოტის პოზის ერთდროულად შეფასებისას. კლასიკურ ფორმულირებებში SLAM განიხილება, როგორც ალბათური შეფასების პრობლემა, რომლის საერთო ოჯახები მოიცავს EKF-ზე დაფუძნებულ და ნაწილაკების ფილტრზე დაფუძნებულ მიდგომებს. [1]
რობოტი, როგორც წესი, აერთიანებს:
-
ბორბლის ოდომეტრია (ძირითადი თვალყურის დევნება)
-
LiDAR სკანირების შესაბამისობა ან ვიზუალური ორიენტირები
-
IMU-ები (როტაცია/აჩქარება)
-
GPS (ღია ცის ქვეშ, შეზღუდვებით)
რობოტები ყოველთვის ვერ იქნებიან იდეალურად ლოკალიზებული, ამიტომ კარგი რობოტები ზრდასრულებივით იქცევიან: აკონტროლებენ გაურკვევლობას, აფიქსირებენ გადახრას და თავდაჯერებულობის შემცირებისას უფრო უსაფრთხო ქცევას უბრუნდებიან.
დაგეგმვა და გადაწყვეტილების მიღება: შემდეგი ქმედებების არჩევა
როგორც კი რობოტს სამყაროს რეალური სურათი ექნება, მან უნდა გადაწყვიტოს, რა უნდა გააკეთოს. დაგეგმვა ხშირად ორ ფენად ვლინდება:
-
ადგილობრივი დაგეგმვა (სწრაფი რეფლექსები) ⚡
მოერიდეთ დაბრკოლებებს, შეანელეთ ტემპი ადამიანებთან ახლოს, მიჰყევით ზოლებს/დერეფნებს. -
გლობალური დაგეგმვა (უფრო ფართო სურათი) 🧭
აირჩიეთ დანიშნულების ადგილები, გვერდი აუარეთ დაბლოკილ ტერიტორიებს, დაგეგმეთ დავალებები.
პრაქტიკაში, სწორედ აქ გარდაქმნის რობოტი „ვფიქრობ, რომ სუფთა გზას ვხედავ“ კონკრეტულ მოძრაობის ბრძანებებად, რომლებიც არ მოახდენს თაროზე რაიმეს მოკვლას ან ადამიანის პირად სივრცეში შეღწევას.
კონტროლი: გეგმების გლუვ მოძრაობად გადაქცევა
მართვის სისტემები დაგეგმილ მოქმედებებს რეალურ მოძრაობად გარდაქმნიან, ამავდროულად კი რეალურ სამყაროში არსებულ ისეთ შემაწუხებელ ფაქტორებს უმკლავდებიან, როგორიცაა:
-
ხახუნი
-
დატვირთვის ცვლილებები
-
გრავიტაცია
-
ძრავის შეფერხებები და უკუცემა
გავრცელებული ინსტრუმენტებია PID , მოდელზე დაფუძნებული კონტროლი , მოდელის პროგნოზირებადი კონტროლი და ინვერსიული კინემატიკა - ანუ მათემატიკა, რომელიც „მომჭერის იქ “ სახსრების მოძრაობებად გარდაქმნის. [2]
სასარგებლო გზა ამის გასააზრებლად:
დაგეგმვა გზას ირჩევს.
კონტროლი რობოტს აიძულებს, რეალურად მიჰყვეს მას რყევის, გადაჭარბების ან კოფეინით გაჯერებული სავაჭრო კალათასავით ვიბრაციის გარეშე.
სწავლა: როგორ უმჯობესდებიან რობოტები სამუდამოდ გადაპროგრამების ნაცვლად
რობოტებს შეუძლიათ გაუმჯობესება მონაცემებიდან სწავლით, გარემოს ყოველი ცვლილების შემდეგ ხელით ხელახლა დარეგულირების ნაცვლად.
ძირითადი სასწავლო მიდგომები მოიცავს:
-
ზედამხედველობითი სწავლება 📚: ისწავლეთ მონიშნული მაგალითებიდან (მაგ., „ეს პალეტაა“).
-
თვითკონტროლირებადი სწავლა 🔍: სტრუქტურის შესწავლა ნედლი მონაცემებიდან (მაგ., მომავალი ფრეიმების პროგნოზირება).
-
გაძლიერებული სწავლება 🎯: მოქმედებების შესწავლა ჯილდოს სიგნალების დროთა განმავლობაში მაქსიმიზაციის გზით (ხშირად აგენტებით, გარემოთი და დაბრუნებით ჩარჩოებში). [3]
სად ბრწყინავს RL: რთული ქცევების შესწავლა, სადაც კონტროლერის ხელით შექმნა მტკივნეულია.
სად ხდება RL პიკანტური: მონაცემთა ეფექტურობა, უსაფრთხოება კვლევის დროს და სიმულაციისა და რეალურობის ხარვეზები.
ადამიანი-რობოტის ურთიერთქმედება: ხელოვნური ინტელექტი, რომელიც რობოტებს ადამიანებთან მუშაობაში ეხმარება
სახლებსა თუ სამუშაო ადგილებში მყოფი რობოტებისთვის ურთიერთქმედება მნიშვნელოვანია. ხელოვნური ინტელექტი საშუალებას იძლევა:
-
მეტყველების ამოცნობა (ხმა → სიტყვები)
-
განზრახვის ამოცნობა (სიტყვები → მნიშვნელობა)
-
ჟესტების გაგება (მინიშნება, სხეულის ენა)
ეს მარტივად ჟღერს, სანამ არ გამოაქვეყნებთ: ადამიანები არათანმიმდევრულები არიან, აქცენტები განსხვავებულია, ოთახები ხმაურიანია და „იქ“ კოორდინატთა ჩარჩო არ არის.
ნდობა, უსაფრთხოება და „ნუ იქნები საშიში“: ნაკლებად სახალისო, მაგრამ აუცილებელი ნაწილი
რობოტები ხელოვნური ინტელექტის სისტემებია ფიზიკური შედეგებით , ამიტომ ნდობა და უსაფრთხოების პრაქტიკა არ უნდა იყოს მეორეხარისხოვანი.
პრაქტიკული უსაფრთხოების ხარაჩოები ხშირად მოიცავს:
-
ნდობის/გაურკვევლობის მონიტორინგი
-
კონსერვატიული ქცევები, როდესაც აღქმა უარესდება
-
ლოგირების მოქმედებები გამართვისა და აუდიტისთვის
-
რობოტის შესაძლებლობების მკაფიო საზღვრები
ამის ჩამოყალიბების სასარგებლო, მაღალი დონის გზაა რისკების მართვა: მმართველობა, რისკების რუკაზე დატანა, მათი გაზომვა და მართვა მთელი სასიცოცხლო ციკლის განმავლობაში - იმის შესაბამისად, თუ როგორ აყალიბებს NIST ხელოვნური ინტელექტის რისკების მართვას უფრო ფართოდ. [4]
„დიდი მოდელის“ ტენდენცია: რობოტები, რომლებიც იყენებენ საძირკვლის მოდელებს
საძირკვლის მოდელები უფრო ზოგადი დანიშნულების რობოტის ქცევისკენ მიისწრაფვიან, განსაკუთრებით მაშინ, როდესაც ენა, ხედვა და მოქმედება ერთად მოდელირდება.
ერთ-ერთი მაგალითია ხედვა-ენა-მოქმედება (VLA) მოდელები, სადაც სისტემა გაწვრთნილია იმის დასაკავშირებლად, რასაც ხედავს + რა ეუბნებიან გასაკეთებლად + რა ქმედებები უნდა განახორციელოს. RT-2 ამ სტილის მიდგომის ფართოდ მოყვანილი მაგალითია. [5]
საინტერესო ნაწილი: უფრო მოქნილი, უფრო მაღალი დონის გაგება.
რეალობის შემოწმება: ფიზიკური სამყაროს საიმედოობა კვლავ მოითხოვს დამცავ ბარიერებს - კლასიკური შეფასება, უსაფრთხოების შეზღუდვები და კონსერვატიული კონტროლი არ ქრება მხოლოდ იმიტომ, რომ რობოტს შეუძლია „ჭკვიანურად საუბარი“.
დასკვნითი შენიშვნები
მაშ ასე, როგორ იყენებენ რობოტები ხელოვნურ ინტელექტს? რობოტები ხელოვნურ ინტელექტს იყენებენ აღსაქმელად , შესაფასებლად (სად ვარ?) , დასაგეგმად და საკონტროლოდ - და ზოგჯერ სწავლისთვისაც გაუმჯობესების მიზნით. ხელოვნური ინტელექტი რობოტებს საშუალებას აძლევს გაუმკლავდნენ დინამიური გარემოს სირთულეებს, მაგრამ წარმატება დამოკიდებულია საიმედო, გაზომვად სისტემებზე, რომლებიც უსაფრთხოებას პირველ ადგილზე აყენებენ.
ხშირად დასმული კითხვები
როგორ იყენებენ რობოტები ხელოვნურ ინტელექტს ავტონომიურად მუშაობისთვის?
რობოტები ხელოვნურ ინტელექტს იყენებენ უწყვეტი ავტონომიური ციკლის გასაშვებად: სამყაროს აღქმისთვის, მიმდინარე მოვლენების ინტერპრეტაციისთვის, უსაფრთხო შემდეგი ნაბიჯის დაგეგმვისთვის, ძრავების გამოყენებით მოქმედებისთვის და მონაცემებიდან სწავლისთვის. პრაქტიკაში, ეს არის კომპონენტების ერთობლიობა, რომლებიც ერთად მუშაობენ და არა ერთი „ჯადოსნური“ მოდელი. მიზანია საიმედო ქცევა ცვალებად გარემოში და არა ერთჯერადი დემონსტრირება იდეალურ პირობებში.
რობოტის ხელოვნური ინტელექტი მხოლოდ ერთი მოდელია თუ სრული ავტონომიის მქონე?
უმეტეს სისტემებში, რობოტის ხელოვნური ინტელექტი სრული დასტაა: აღქმა, მდგომარეობის შეფასება, დაგეგმვა და კონტროლი. მანქანური სწავლება ეხმარება ისეთ ამოცანებში, როგორიცაა ხედვა და პროგნოზირება, ხოლო ფიზიკის შეზღუდვები და კლასიკური კონტროლი ინარჩუნებს მოძრაობას სტაბილურს და პროგნოზირებადს. ბევრი რეალური დანერგვა იყენებს ჰიბრიდულ მიდგომას, რადგან საიმედოობა უფრო მნიშვნელოვანია, ვიდრე ჭკვიანობა. სწორედ ამიტომ, „მხოლოდ ვიბრაციების“ სწავლება იშვიათად გადარჩება კონტროლირებადი გარემოს გარეთ.
რა სენსორებსა და აღქმის მოდელებს ეყრდნობიან ხელოვნური ინტელექტის რობოტები?
ხელოვნური ინტელექტის რობოტები ხშირად აერთიანებენ კამერებს, LiDAR-ს, სიღრმის სენსორებს, მიკროფონებს, IMU-ებს, ენკოდერებს და ძალის/ბრუნვის ან ტაქტილური სენსორებს. აღქმის მოდელები ამ ნაკადებს გარდაქმნიან გამოსაყენებელ სიგნალებად, როგორიცაა ობიექტის იდენტურობა, პოზა, თავისუფალი სივრცე და მოძრაობის მინიშნებები. პრაქტიკული საუკეთესო პრაქტიკაა სანდოობის ან გაურკვევლობის გამოტანა და არა მხოლოდ ეტიკეტების. ამ გაურკვევლობას შეუძლია უფრო უსაფრთხო დაგეგმვის წარმართვა, როდესაც სენსორები ზიანდება სიკაშკაშის, დაბინდვის ან არეულობის გამო.
რა არის SLAM რობოტიკაში და რატომ არის ის მნიშვნელოვანი?
SLAM (ერთდროული ლოკალიზაცია და რუკების შედგენა) რობოტს ეხმარება რუკის აგებაში და ამავდროულად საკუთარი პოზიციის შეფასებაში. ის ცენტრალურია იმ რობოტებისთვის, რომლებიც მოძრაობენ და პირობების შეცვლისას „პანიკის“ გარეშე ნავიგაცია სჭირდებათ. ტიპური შემავალი მონაცემებია ბორბლის ოდომეტრია, IMU-ები და LiDAR ან ხედვის ორიენტირები, ზოგჯერ GPS გარეთ. კარგი სტეკები აკონტროლებს ტრაექტორიის დრიფტს და გაურკვევლობას, რათა რობოტმა უფრო კონსერვატიულად მოიქცეს ლოკალიზაციის არასტაბილურობის დროს.
რით განსხვავდება რობოტის დაგეგმვა და რობოტის კონტროლი?
დაგეგმვა განსაზღვრავს, თუ რა უნდა გააკეთოს რობოტმა შემდეგ, მაგალითად, დანიშნულების ადგილის არჩევა, დაბრკოლებების გვერდის ავლა ან ადამიანების თავიდან აცილება. კონტროლი ამ გეგმას გლუვ, სტაბილურ მოძრაობად აქცევს ხახუნის, დატვირთვის ცვლილებებისა და ძრავის შეფერხებების მიუხედავად. დაგეგმვა ხშირად იყოფა გლობალურ დაგეგმვად (ზოგადი სურათის მარშრუტები) და ლოკალურ დაგეგმვად (სწრაფი რეფლექსები დაბრკოლებებთან ახლოს). კონტროლი ხშირად იყენებს ისეთ ინსტრუმენტებს, როგორიცაა PID, მოდელზე დაფუძნებული კონტროლი ან მოდელზე დაფუძნებული პროგნოზირებადი კონტროლი, გეგმის საიმედოდ შესასრულებლად.
როგორ უმკლავდებიან რობოტები უსაფრთხოდ გაურკვევლობას ან დაბალ თავდაჯერებულობას?
კარგად შემუშავებული რობოტები გაურკვევლობას ქცევის შემადგენელ ფაქტორად მიიჩნევენ და არა ისეთ რამედ, რაც უნდა უგულებელყონ. როდესაც აღქმის ან ლოკალიზაციის სანდოობა ეცემა, გავრცელებული მიდგომაა შენელება, უსაფრთხოების ზღვრის გაზრდა, უსაფრთხოდ გაჩერება ან ადამიანის დახმარების მოთხოვნა ვარაუდის ნაცვლად. სისტემები ასევე აღრიცხავენ ქმედებებს და კონტექსტს, რათა ინციდენტები იყოს აუდიტის საგანი და მათი გამოსწორება უფრო ადვილი იყოს. ეს „ელეგანტური წარუმატებლობის“ აზროვნება დემო და გასაშლელ რობოტებს შორის ძირითადი განსხვავებაა.
როდის არის გაძლიერებული სწავლება სასარგებლო რობოტებისთვის და რა ართულებს მას?
გაძლიერებული სწავლება ხშირად გამოიყენება ისეთი რთული უნარებისთვის, როგორიცაა მანიპულირება ან ლოკომოცია, სადაც კონტროლერის ხელით შექმნა მტკივნეულია. მას შეუძლია ეფექტური ქცევების აღმოჩენა ჯილდოზე დაფუძნებული ცდისა და შეცდომის გზით, ხშირად სიმულაციის დროს. განლაგება რთულდება, რადგან კვლევა შეიძლება იყოს სახიფათო, მონაცემები შეიძლება ძვირი იყოს და სიმულაციისა და რეალურობის ხარვეზებმა შეიძლება დაარღვიოს პოლიტიკა. ბევრი მილსადენი იყენებს RL-ს შერჩევით, შეზღუდვებთან და კლასიკურ კონტროლთან ერთად უსაფრთხოებისა და სტაბილურობისთვის.
ცვლის თუ არა საძირკვლის მოდელები იმას, თუ როგორ იყენებენ რობოტები ხელოვნურ ინტელექტს?
საბაზისო მოდელის მიდგომები რობოტებს უფრო ზოგადი, ინსტრუქციის მიმდევრობითი ქცევისკენ უბიძგებს, განსაკუთრებით ხედვა-ენა-მოქმედების (VLA) მოდელების შემთხვევაში, როგორიცაა RT-2 სტილის სისტემები. დადებითი მხარე მოქნილობაა: რობოტის მიერ დანახულის დაკავშირება იმასთან, რასაც მას ავალებენ და როგორ უნდა მოიქცეს. რეალობა ისაა, რომ კლასიკური შეფასება, უსაფრთხოების შეზღუდვები და კონსერვატიული კონტროლი კვლავ მნიშვნელოვანია ფიზიკური საიმედოობისთვის. ბევრი გუნდი ამას სასიცოცხლო ციკლის რისკების მართვად მიიჩნევს, რაც სულისკვეთებით NIST-ის AI RMF-ის მსგავსი ჩარჩოების მსგავსია.
ცნობები
[1] დურანტ-უაიტი და ბეილი -
ერთდროული ლოკალიზაცია და რუკების შედგენა (SLAM): ნაწილი I. ძირითადი ალგორითმები (PDF) [2] ლინჩი და პარკი -
თანამედროვე რობოტიკა: მექანიკა, დაგეგმვა და კონტროლი (წინასწარი გამოცემის PDF) [3] სატონი და ბარტო -
გაძლიერებული სწავლება: შესავალი (მე-2 გამოცემის პროექტი PDF) [4] NIST -
ხელოვნური ინტელექტის რისკების მართვის ჩარჩო (AI RMF 1.0) (PDF) [5] ბროჰანი და სხვ. - RT-2: ხედვა-ენა-მოქმედების მოდელები ვებ ცოდნის რობოტურ კონტროლში გადატანას (arXiv)