Οι ερευνητές Sergey Levine και Karol Hausman αποκάλυψαν ένα καινοτόμο εγχείρημα που στοχεύει να δημιουργήσει ένα μοναδικό υπερ-εγκέφαλο ικανό να ελέγχει οποιοδήποτε ρομπότ, ανεξάρτητα από τις διαφορές του. Σε συνεργασία με 32 άλλα εργαστήρια ρομποτικής σε όλη τη Βόρεια Αμερική, την Ευρώπη και την Ασία, οι Levine και Hausman ξεκίνησαν το φιλόδοξο έργο RT-X το 2023.
Παραδοσιακά, η ρομποτική βασίζεται στην παραγωγική τεχνητή νοημοσύνη για τον έλεγχο, αλλά αυτή η προσέγγιση αποτυγχάνει λόγω της περιορισμένης διαθεσιμότητας δεδομένων για τις αλληλεπιδράσεις κόσμου-ρομπότ. Οι ερευνητές αναγνώρισαν την ανάγκη για δεδομένα τα οποία παράγονται ειδικά από τα ίδια τα ρομπότ, τα οποία συνήθως παράγονται αργά και μονότονα σε εργαστηριακές συνθήκες για συγκεκριμένες εργασίες, με αποτέλεσμα να έχουν περιορισμένη εφαρμοστικότητα και λειτουργικότητα.
Το κλειδί για την αντιμετώπιση αυτής της πρόκλησης βρίσκεται στην κοινή χρήση δεδομένων από μια ευρεία γκάμα ρομπότ προκειμένου να διευκολυνθεί η μάθηση νέων μηχανών μέσω των συλλογικών εμπειριών. Το σύνολο δεδομένων RT-X περιλαμβάνει σχεδόν ένα εκατομμύριο δοκιμές ρομπότ, συμπεριλαμβανομένων 22 διαφορετικών τύπων ρομπότ, όπως δημοφιλή ρομποτικά χέρια που βρίσκονται στην αγορά. Οι Levine και Hausman έκαναν μια ενδιαφέρουσα ανακάλυψη κατά τη διάρκεια των πειραμάτων τους: ένα νευρωνικό δίκτυο βαθιάς μάθησης, εκπαιδευμένο σε αυτά τα διαφορετικά δεδομένα ρομπότ, όταν συνδυάζεται με μοντέλα μηχανικής μάθησης μεγάλης κλίμακας, μπορεί να ελέγχει διάφορα ρομπότ χωρίς να απαιτεί ειδικές προσαρμογές.
Εκπληκτικά, το μοντέλο που αναπτύχθηκε από το σύνολο δεδομένων RT-X μπορεί να αναγνωρίζει τον τύπο του ρομπότ που ελέγχει βασιζόμενο στην οπτική είσοδο που λαμβάνει από την κάμερα του ρομπότ. Για παράδειγμα, εάν η κάμερα ανιχνεύσει ένα βιομηχανικό χέρι UR10, το μοντέλο θα στείλει εντολές προσαρμοσμένες σε αυτό το συγκεκριμένο ρομπότ. Αντίστοιχα, αν ανιχνευθεί ένα ρομπότ hobbyist WidowX, το μοντέλο προσαρμόζει τον έλεγχο ανάλογα.
Για να αξιολογηθεί η αποτελεσματικότητα του μοντέλου τους, πέντε εργαστήρια που συμμετείχαν στο έργο RT-X το συγκρίνανε με τα δικά τους συστήματα ελέγχου για τα αντίστοιχα ρομπότ τους. Εκπληκτικά, το μοντέλο τους υπερτερούσε την μέθοδο κάθε εργαστηρίου, ολοκληρώνοντας εργασίες σε μέσο όρο 50% πιο συχνά.
Το έργο RT-X αποτελεί παράδειγμα της δύναμης της συνεργασίας μέσα στην ρομποτική κοινότητα. Οι Levine και Hausman οραματίζονται την περαιτέρω ανάπτυξη της πρωτοβουλίας, μετατρέποντάς την σε μια ομαδική προσπάθεια για τη θέσπιση προτύπων δεδομένων, ανακυκλώσιμων μοντέλων και νέων αλγορίθμων και μεθοδολογιών. Αξιοποιώντας τη συλλογική γνώση και τους πόρους της παγκόσμιας κοινότητας μάθησης ρομπότ, οι δυνατότητες για προόδους και ανακαλύψεις στη ρομποτική γίνονται πραγματικά απεριόριστες.
The source of the article is from the blog j6simracing.com.br