يطور معهد ماساتشوستس للتكنولوجيا نظام تخطيط للحركة والمهام للروبوتات المنزلية

لماذا لا يوجد المزيد من الروبوتات في المنازل؟ هذا سؤال معقد بشكل مدهش – ومنازلنا أماكن معقدة بشكل مدهش. جزء كبير من سبب ازدهار الأنظمة الذاتية في المستودعات وأرضيات المصنع أولاً هو السهولة النسبية للتنقل في بيئة منظمة. بالتأكيد ، لا تزال معظم الأنظمة تتطلب مساحة ليتم تعيينها قبل الشروع في العمل ، ولكن بمجرد أن يكون ذلك في مكانه ، يميل إلى أن يكون هناك القليل من الاختلاف.

المنازل ، من ناحية أخرى ، نوع من الكابوس. لا يقتصر الأمر على اختلافها بشكل كبير من وحدة إلى أخرى ، بل إنها مليئة بالعقبات غير الودية وتميل إلى أن تكون ديناميكية إلى حد ما ، حيث يتم تحريك الأثاث أو ترك الأشياء على الأرض. المكانس الكهربائية هي أكثر الروبوتات انتشارًا في المنزل ، ولا تزال تخضع للتنقية بعد عقود في السوق.

يقدم الباحثون في MIT CSAIL عرضًا هذا الأسبوع بيجينت (الخطط والصور والهدف والحقائق الأولية) ، والتي تم تصميمها لجلب تخطيط المهام والحركة إلى الأنظمة الروبوتية المنزلية. تم تصميم الشبكة العصبية للمساعدة في تبسيط قدرتها على إنشاء خطط عمل في بيئات مختلفة.

يشرح معهد ماساتشوستس للتكنولوجيا PIGINet على النحو التالي:

[I]يستخدم t مشفر محول ، وهو نموذج متعدد الاستخدامات ومتطور مصمم للعمل على تسلسلات البيانات. تسلسل الإدخال ، في هذه الحالة ، هو معلومات حول خطة المهمة التي تدرسها ، وصور البيئة ، والتشفيرات الرمزية للحالة الأولية والهدف المنشود. يجمع برنامج التشفير بين خطط المهام والصورة والنص لإنشاء تنبؤ بشأن جدوى خطة المهمة المحددة.

يركز النظام بشكل كبير على الأنشطة القائمة على المطبخ في الوقت الحالي. يعتمد على بيئات منزلية محاكية لبناء خطط تتطلب تفاعلات مع عناصر مختلفة مختلفة من البيئة ، مثل العدادات والخزائن والثلاجة والمصارف ، وما إلى ذلك. ويقول الباحثون أنه في سيناريوهات أبسط ، تمكنت PIGINet من تقليل وقت التخطيط بمقدار 80 ٪. بالنسبة للمواقف الأكثر تعقيدًا ، كان هذا الرقم عمومًا حوالي 20-50٪.

يقترح الفريق أن المنازل هي مجرد البداية.

يقول طالب الدكتوراه Zhutian Yang: “لا تقتصر التطبيقات العملية لـ PIGINet على المنازل”. يتمثل هدفنا المستقبلي في زيادة تحسين PIGINet لاقتراح خطط مهام بديلة بعد تحديد الإجراءات غير المجدية ، والتي ستسرع بشكل أكبر من إنشاء خطط مهام مجدية دون الحاجة إلى مجموعات بيانات كبيرة لتدريب مخطط للأغراض العامة من البداية. نعتقد أن هذا يمكن أن يحدث ثورة في الطريقة التي يتم بها تدريب الروبوتات أثناء التطوير ثم تطبيقها في منازل الجميع “.