باحثون يطورون نظاماً جديداً يساعد الروبوتات على التعلم من أخطائها

يتطلب تدريب الروبوتات على مهام معقدة غالباً تدخلاً بشرياً عندما تتعثر الآلة. قدم باحثون مؤخراً إطار عمل جديداً يسمى Reward-DAgger، يعمل كمنظّم ذكي لأتمتة عملية التدخل هذه.

بدلاً من الاعتماد على قواعد صارمة، يستخدم هذا النظام نموذج مكافأة عام الأغراض لتتبع التقدم في الوقت الفعلي. يراقب النظام أداء الروبوت ويطلب التوجيه البشري فقط عندما يكون من المحتمل أن يفشل الروبوت أو يعلق، مما يخلق توازناً فعالاً بين العمل المستقل والمساعدة البشرية الضرورية.

تعد القدرة على نقل الأداء من بيئة إلى أخرى من أكبر التحديات في مجال الروبوتات. اختبر الفريق طريقتهم عبر 8 مهام مختلفة في بيئات واقعية ومحاكاة، ووجدوا أنها حسنت معدلات النجاح باستمرار دون الحاجة إلى تعديل يدوي مستمر للمعايير لكل مهمة على حدة.

يعمل هذا النهج بشكل مستقل عن سياسة التحكم الأساسية. يمكنك دمجه في هياكل روبوتية مختلفة، وسيتولى اتخاذ قرار طلب المساعدة بناءً على تقييمه الذاتي للتقدم. هذا يسمح للروبوت بتعلم سلوكيات التعافي بشكل أكثر فعالية مع تقليل الوقت الضائع من البشر.

تخيل أنك تعلم روبوت ترتيب مكتب فوضوي. بدلاً من مراقبته في كل ثانية، تتدخل فقط عندما يكتشف النظام أنه على وشك إسقاط غرض ما أو التحرك بطريقة تشير إلى وقوع خطأ وشيك. هذا يجعل عملية التدريب أكثر سلاسة للشخص المشارك.

على الرغم من هذه المكاسب، لا يزال النظام محدوداً بقدرات نموذج المكافأة القائم على التقدم. لم يوضح البحث أداء النظام في بيئات ديناميكية للغاية أو غير متوقعة، حيث قد لا يمكن التقاط أنماط الفشل بسهولة عبر إشارات التقدم الحالية.