باحثون يطورون طريقة جديدة لمساعدة الروبوتات على إتقان المهام البدنية
يستخدم نظام ACG-WAM الجديد التنبؤ الهندسي لتحسين معدلات نجاح الروبوتات في البيئات الافتراضية والواقعية.
قدم باحثون مؤخراً نظام ACG-WAM، وهي طريقة جديدة تساعد الروبوتات على فهم كيفية تأثير حركاتها على العالم من حولها. تسمح هذه الطريقة، المفصلة في ورقة بحثية جديدة، للآلات بالتنبؤ بالنتائج الهندسية لأفعالها قبل تنفيذها بالكامل.
تعاني معظم الروبوتات عند التعلم من الفيديو لأنها تفتقر إلى هدف واضح لكيفية تحرك الأشياء فيزيائياً. يحل نظام ACG-WAM هذه المشكلة من خلال تعليم الروبوت كيفية تخطيط العواقب الفيزيائية لأفعاله في مساحة بصرية مشتركة.
يحقق نظام ACG-WAM نسبة نجاح تصل إلى 93.46% في المشاهد النظيفة، وهو أفضل معدل نجاح عشوائي بين الطرق التي تمت مقارنتها.
في الاختبارات، قدم النظام أداءً قوياً على معيار RoboTwin 2.0، حيث حقق معدل نجاح بلغ 93.46% في بيئات تجريبية نظيفة، متفوقاً بذلك على الطرق الأخرى التي تمت مقارنته بها.
كما نقل الفريق التقنية إلى الواقع الفعلي، حيث حقق النظام نسبة نجاح بلغت 85% في ثلاث مهام روبوتية حقيقية، مع تسجيل 91.67% في مؤشر الإكمال الجزئي، وهو ما يتجاوز أداء نظام Motus بشكل ملحوظ.
تخيل روبوتاً يحاول ترتيب مكعبات؛ فبدلاً من التخمين، أصبح الآن يحسب بدقة كيف يغير كل دفع شكل الكومة. هل ستثق بآلة تفكر في هندسة الغرفة قبل أن تبدأ في التحرك؟
ومع ذلك، يقتصر هذا البحث على المهام والأجهزة التي تم اختبارها. أشار الباحثون إلى أن الوحدات التدريبية المساعدة يجب إزالتها عند النشر النهائي، كما أن النظام لم يتم اختباره على تضاريس متغيرة أو غير متوقعة.
المصدر: arXiv cs.RO