قدّم فريق بحثي AIRoA-0، وهو نظام روبوتي دُرّب على 16,151 ساعة من عروض أشخاص يؤدّون مهام باستخدام قابض يدوي. ويقول الفريق إنه لم يجمع أي بيانات من روبوت خلال التدريب، إذ لا يظهر الروبوت إلا عند اختبار النظام. واستُخدم في تسجيل العروض YUBI، وهو قابض مفتوح المصدر يمكن للأشخاص إمساكه لتسجيل مهام التلاعب بالأشياء من دون وجود روبوت.
يمكن لـ AIRoA-0 تنفيذ مهام، انطلاقًا من تعليمة واحدة، مثل فرز أكثر من 12 قطعة صغيرة في خانات مرقّمة، وتبديل وسادات المسح والفرشاة في مكنسة روبوتية، وفتح مقلمة بسحّاب، وطي منشفة. ويستخدم النظام كاميرتين مثبتتين على معصميه فقط، من دون كاميرا تطل على المشهد بأكمله. وأُجري التقييم في موقع لم تُسجّل فيه أي من بيانات التدريب.
كيف كان أداؤه؟
أفاد الباحثون بأن متوسط النجاح بلغ 78% في 10 مهام خضعت للتقييم. وقارنوا هذه النتيجة بنسبة 27% حققها أقوى أربعة نماذج أخرى اختُبرت، وهي نماذج للرؤية واللغة والفعل تربط بين المدخلات المرئية والتعليمات اللغوية وأفعال الروبوت، بعد تدريبها لاحقًا على عروض المهام نفسها. وهذه نتائج أوردها فريق البحث؛ ولا يصف ملخص الورقة البحثية المقدّم تقييمًا مستقلًا.
صُمّم AIRoA-0 للعمل مع روبوتات مختلفة يمكن تركيب قابض YUBI عليها. ويذكر الباحثون أمثلة تشمل الروبوتات ثنائية الذراعين Franka وTX-G2 وOpenArm وUR. ويتعلّم النظام تحديد الأجزاء المهمة في المشاهد التي تلتقطها كاميرتا المعصمين، وتقدير المرحلة التي وصل إليها في المهمة، وإصدار الأوامر باستمرار. وتقول الورقة إنه لا يستخدم التعلم المعزز ولا التصحيحات على الروبوت نفسه.
ما الذي يمكن للآخرين استخدامه؟
يقول الفريق إنه سيتيح مجموعة بيانات العروض، وأوزان النموذج المدرّب مسبقًا، وإرشادات لتكييف النظام مع مهام جديدة. ويصف الباحثون مجموعة البيانات، بحسب علمهم، بأنها أكبر مجموعة مفتوحة لعروض مسجّلة بقابض يدوي، مصحوبة بتعليمات للمهام والمهام الفرعية. ويقولون إن بإمكان أي شخص تسجيل مهمة باستخدام YUBI ثم تدريب النموذج لاحقًا في أقل من أربع ساعات، باستخدام عقدة حاسوبية واحدة تضم ثماني وحدات معالجة رسومية H200.
يختلف هذا الأسلوب عن التدريب التقليدي للروبوتات، إذ يجمع الناس عادةً العروض عبر التحكم بالروبوت نفسه. أما نهج الباحثين هنا، فيقوم على تسجيل حركات اليد البشرية أولًا، ثم نقل السلوك المتعلّم إلى الروبوت عند الاختبار. وتغطي نتائج الورقة المهام العشر التي قيّمتها، ولا تثبت مدى كفاءة النظام في مهام أو ظروف أخرى خارج نطاق تلك الاختبارات.
لماذا يهم
قد يتيح هذا النهج للباحثين ومطوّري الروبوتات تعليم الروبوت عبر تسجيل حركات يدي شخص، بدلًا من جمع العروض باستخدام الروبوت نفسه. ويقول الباحثون إن النظام حقق نتائج قوية في 10 مهام، لكن أداءه في مهام أخرى والتأكد المستقل من النتائج لا يزالان غير معروفين.
