როგორ იყენებენ რობოტები ხელოვნურ ინტელექტს? [ვიდეო და ვიქტორინა]

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, დაგეგმვადა 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

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 კონტროლიდა 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?), დასაგეგმადდა 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.

რეალური მაგალითი: საწყობის რობოტისთვის ხელოვნური ინტელექტის ასისტენტის შექმნა

სცენარი

წარმოიდგინეთ პატარა შესრულების საწყობი, რომელიც იყენებს ავტონომიურ მობილურ რობოტს დალუქული ჩანთების შესაფუთი მაგიდებიდან გაგზავნის ზონაში გადასატანად. რობოტს არ სჭირდება „ყველაფრის გაგება“. მას ერთი სამუშაოს საიმედოდ შესრულება სჭირდება: ჩანთის აღება, საერთო დერეფნის ნავიგაცია, ადამიანებისა და პალეტების სატვირთო მანქანების თავიდან აცილება და უსაფრთხოდ გაჩერება, როდესაც თავდაჯერებულობა დაეცემა.

ხელოვნური ინტელექტის დასტა გააერთიანებდა კომპიუტერულ ხედვას, LiDAR-ს, SLAM-ს, ბილიკის დაგეგმვას, დაბრკოლებების თავიდან აცილებას და პერსონალისგან მიღებულ ძირითად ენობრივ ინსტრუქციებს. ხელმძღვანელმა შეიძლება თქვას: „ეს ჩანთა მესამე სადისპეტჩერო განყოფილებაში წაიღე“, მაგრამ რობოტს მაინც სჭირდება მკაცრი უსაფრთხოების წესები ენობრივი ფენის ქვეშ.

ეს ნათელი მაგალითია, რადგან ის აჩვენებს, რომ რობოტის ხელოვნური ინტელექტი პრაქტიკული დასტის სახით მუშაობს და არა ერთი გიგანტური მოდელის სახით, რომელიც ვარაუდებს აკეთებს.

რა სჭირდება ასისტენტს

დაყენებას დასჭირდება:

• საწყობის რუკა, მათ შორის შესაფუთი სკამები, დისპეტჩერიზაციის ადგილები, აკრძალული ზონები, დამუხტვის წერტილები და ვიწრო დერეფნები

• კამერის ან სიღრმისეული კამერის მონაცემები ჩანთების, ადამიანების, იატაკის მონიშვნების და დაბლოკილი მარშრუტების ამოსაცნობად

• LiDAR ან სხვა მანძილის სენსორი დაბრკოლების აღმოსაჩენად

• ბორბლის კოდირები და IMU მონაცემები ლოკალიზაციისთვის

• სიჩქარის შეზღუდვის, გაჩერების მანძილის და ადამიანის უსაფრთხოების ქცევის წესები

• საწყობის სისტემიდან დავალებების სია, როგორიცაა ტოტის ID, აღების წერტილი და დანიშნულების ადგილი

• ჟურნალები, რომლებიც აღრიცხავენ მარშრუტს, სანდოობის ქულებს, გაჩერებებს, თითქმის ავარიებს და ადამიანის ჩარევებს

მთავარი ის არის, რომ ენის სწავლება არასდროს არ უნდა იყოს ერთადერთი საკონტროლო ფენა. რობოტს შეუძლია მიიღოს ადამიანისთვის მოსახერხებელი ბრძანებები, მაგრამ მოძრაობა მაინც უნდა კონტროლდებოდეს რუკების შედგენით, დაგეგმვით, კონტროლითა და უსაფრთხოების შეზღუდვებით.

მაგალითი ინსტრუქცია

რობოტის ასისტენტის მარტივი ინსტრუქცია შეიძლება ასე გამოიყურებოდეს:

თქვენ ხართ საწყობის მობილური რობოტის დავალების ასისტენტი. თქვენი საქმეა პერსონალის მოთხოვნები უსაფრთხო გადაადგილების ამოცანებად გადააქციოთ. შექმენით დავალება მხოლოდ მაშინ, როდესაც აღების წერტილი, დანიშნულების ადგილი და ჩანთის ID ნათელია. თუ რაიმე დეტალი აკლია, დასვით ერთი მოკლე განმარტებითი კითხვა. არასოდეს გამოიგონოთ ადგილები. თუ მარშრუტი დაბლოკილია, აირჩიეთ დამტკიცებული ალტერნატიული მარშრუტი, თუ ის არსებობს. თუ აღქმის სანდოობა უსაფრთხო ზღურბლს ქვემოთ დაეცემა, შეანელეთ სიჩქარე, გაჩერდით ან მოითხოვეთ ადამიანის დახმარება. აღრიცხეთ ყველა წარუმატებელი აღების, დაბლოკილი მარშრუტის, საგანგებო გაჩერების და ხელით გადახვევის ყველა შემთხვევა.

თანამშრომლის მოთხოვნა შეიძლება იყოს:

გადაიტანეთ ჩანთა T-1842 შესაფუთი დახლიდან 6, სადისპეტჩერო განყოფილებაში 3.

კარგი პასუხი იქნებოდა:

დავალება მიღებულია: შეაგროვეთ T-1842 ჩანთა 6 ​​შესაფუთი დახლიდან და მიიტანეთ მე-3 სადისპეტჩერო პუნქტში. მარშრუტი შერჩეულია B გასასვლელის გავლით. სიჩქარე შეზღუდულია ფეხით მოსიარულეთა გადასასვლელთან. თუ B გასასვლელი დაბლოკილია, გამოიყენეთ დამტკიცებული სარეზერვო მარშრუტი C.

ცუდი პასუხი იქნებოდა:

კი, გასაგზავნად მივიტან.

არასწორი ვერსია ძალიან ბუნდოვანია. ის არ ადასტურებს ჩანთის ID-ს, აღების ადგილს, დანიშნულების ადგილს, მარშრუტს ან უსაფრთხოების წესებს.

როგორ გამოვცადოთ ის

სანამ რობოტს ცოცხალ დერეფანში მუშაობის უფლებას მისცემთ, შეამოწმეთ ის მცირე საკონტროლო სიით:

• სთხოვეთ, გადაიტანოს ჩანთა სრული დეტალებით

• სთხოვეთ, რომ ტოტი გადაიტანოს დისპეტჩერის გარეშე

• მარშრუტზე ადამიანის ფორმის დაბრკოლება დააყენეთ

• გადაწიეთ თაროს მარკერი და შეამოწმეთ, მცირდება თუ არა ლოკალიზაციის სანდოობა

• შექმენით იატაკზე სიკაშკაშე და შეამოწმეთ, იცვლება თუ არა აღქმის სანდოობა

• გადაკეტეთ სასურველი გასასვლელი და შეამოწმეთ, ირჩევს თუ არა ის დამტკიცებულ სარეზერვო მარშრუტს

• იკითხეთ არარსებული დანიშნულების ადგილი და შეამოწმეთ, რომ ის უარყოფს, ვარაუდის ნაცვლად

• თითოეული გარბენის შემდეგ გადახედეთ ჟურნალს, რათა დარწმუნდეთ, რომ გაჩერებები, მარშრუტის შეცვლა და გადახვევები დაფიქსირდა

მიზანი მხოლოდ „რობოტი ჩამოვიდა?“ არ არის. უკეთესი კითხვაა: „როდესაც გარემო გაურკვეველი გახდა, ის უსაფრთხოდ და პროგნოზირებად იქცეოდა?“

შედეგი

საილუსტრაციო შედეგი: დაფუძნებულია მცირე საწყობის სატესტო ზონაში ჩანთების გადატანის 20 მაგალითის დროის გაანგარიშებაზე.

რობოტის სამუშაო პროცესის გამოყენებამდე, ადამიან მორბენალს საშუალოდ 4 წუთი და 30 წამი სჭირდებოდა ჩანთის თითოეულ გადაადგილებაზე, მათ შორის ჩალაგების მაგიდამდე დაბრუნებაზე. რობოტის მიერ ჩანთის მარტივი გადატანისთვის გამოყენების შემდეგ, ადამიანის მიერ დამუშავების დრო დაეცა დაახლოებით 50 წამამდე თითო დავალებაზე, ძირითადად ჩანთის ჩატვირთვისა და დავალების დადასტურებისთვის.

ეს დაახლოებით 3 წუთსა და 40 წამს დაზოგავდა თითოეული ტოტალიზატორის გადაადგილებისას. დღეში 80 ტოტალიზატორის გადაადგილების შემთხვევაში, დროის სავარაუდო დაზოგვა დაახლოებით 293 წუთი იქნებოდა, ანუ დღეში 4.9 საშტატო საათი ოდნავ ნაკლები.

ერთი და იგივე ტესტის უსაფრთხოების შემოწმებები ცალ-ცალკე უნდა იქნას თვალყურის დევნება. მაგალითად:

• 20-დან 20 დავალება სწორ დანიშნულების ადგილს მიაღწია

• 3 დაბლოკილი მარშრუტის შემთხვევა დამუშავებული იქნა დამტკიცებული გადამისამართებით

• 2 დაბალი სანდოობის მოვლენამ უსაფრთხო გაჩერება გამოიწვია

• მიღებულია 0 დაუმტკიცებელი დანიშნულების ადგილი

• 0 დაკარგული ჩანთის ID გამოიცანა

ეს ციფრები საილუსტრაციოა და არ წარმოადგენს რაიმე კონკრეტული რობოტის პროდუქტის შესახებ განცხადებას. გუნდს შეუძლია შედეგის გადამოწმება განლაგებამდე და მის შემდეგ დავალებების დროის განსაზღვრით, ხელით გადაფარვების დათვლით, მარშრუტის ჟურნალების გადახედვით და წარუმატებელი მიწოდების შემოწმებით.

რა შეიძლება არასწორად წავიდეს

ყველაზე გავრცელებული შეცდომა რობოტისთვის ზედმეტი თავისუფლების მინიჭებაა. ენობრივმა მოდელმა შეიძლება ინსტრუქცია გაიგოს, მაგრამ ეს არ ნიშნავს, რომ მას უნდა ენდოთ მარშრუტების შემუშავებაში, ნდობის ქულების იგნორირებაში ან იმის გადაწყვეტაში, თუ რა არის „ალბათ უსაფრთხო“.

სხვა რეალური პრობლემები მოიცავს:

• მოძველებული რუკები თაროების ან სკამების გადატანის შემდეგ

• ცუდი განათება ან ამრეკლავი იატაკი ხედვის მოდელებს აბნევს, რაც მათ ხედვის მოდელებს აბნევს

• პერსონალი იყენებს არაფორმალურ ადგილმდებარეობის სახელებს, რომლებსაც რობოტი არ ცნობს

• ჩანთის ID-ების არარსებობის გამო, სისტემამ არასწორი ნივთი აირჩია

• სუსტი აღრიცხვა, რაც თითქმის ავარიული შემთხვევების გამოძიებას ართულებს

• შესრულების გადაჭარბებული პრეტენზია წარუმატებელი გაშვებისა და ადამიანის ჩარევის გაზომვის გარეშე

ერთი წესი მარტივია: როდესაც რობოტი არ არის დარწმუნებული, ის უფრო კონსერვატიული უნდა გახდეს და არა უფრო კრეატიული.

პრაქტიკული რჩევები

ძლიერი რობოტის ხელოვნური ინტელექტის სისტემა აგებულია ვიწრო დავალების, მკაფიო შეყვანის, გაზომვადი უსაფრთხოების ქცევისა და საიმედო სარეზერვო ასლების გარშემო. „ინტელექტი“ არ არის მხოლოდ ობიექტების ამოცნობა ან ინსტრუქციების შესრულება. ეს არის იმის ცოდნა, თუ როდის უნდა იმოძრაოთ, როდის შეანელოთ ტემპი, როდის გაჩერდეთ და როდის ითხოვოთ დახმარება.

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)

იპოვეთ უახლესი ხელოვნური ინტელექტი ოფიციალურ ხელოვნური ინტელექტის ასისტენტების მაღაზიაში

ჩვენს შესახებ