مجلة عالم التكنولوجيا
مجلة تكنولوجية شاملة

باحثون يجمعون بيانات تجسد السلوك التفصيلي للنظام الآلي


قام باحثو معهد ماساتشوستس للتكنولوجيا، بالعمل علي جمع مجموعة بيانات تجسد السلوك التفصيلي للنظام الآلي، الذي يدفع مئات الأشياء المختلفة جسديًا. ومن خلال استخدام تلك البيانات، يمكن للباحثين تدريب الروبوتات على تعلم ديناميات الدفع الأساسية للعديد من المهام ومعالجة الأشياء المعقدة، بما في ذلك إعادة توجيه الأشياء وفحصها.


وقد صمم الباحثون نظامًا آليًا يتكون من ذراع آلي روبوتي مع تحكم دقيق ونظام تتبع حركة ثلاثي الأبعاد وعمق وكاميرات تقليدية وبرنامج يجمع كل شيء معًا؛ من أجل الحصول علي تلك البيانات.


ويدور الذراع حول الكائنات المعيارية التي يمكن ضبطها للوزن والشكل والتوزيع الشامل. ولكل دفعة، يلتقط النظام كيف تؤثر هذه الخصائص على دفعة الروبوت.



وتحتوي مجموعة البيانات، المسماة “Omnipush”، على 250 دفعة مختلفة من 250 كائنًا، أي ما يساوي 62500 دفعة فريدة. ويستخدمه الباحثون بالفعل، على سبيل المثال، لبناء نماذج تساعد الروبوتات على التنبؤ بمكان سقوط الأجسام عند دفعها.


تقول “ماريا بوزا”، طالبة دراسات عليا في قسم الهندسة الميكانيكية، وأول مؤلفة لورقة ” Omnipush” التي سيتم تقديمها في المؤتمر الدولي القادم: “نحتاج إلى الكثير من البيانات الغنية للتأكد من أن الروبوتات لدينا يمكنها أن تتعلم، نحن نقوم بجمع البيانات من نظام آلي حقيقي والكائنات متنوعة؛ لالتقاط ثراء ظواهر الدفع، وهذا يعد مهم جدًا لمساعدة الروبوتات على فهم كيفية عمل الدفع، وترجمة هذه المعلومات إلى أشياء أخرى مماثلة في العالم الحقيقي. “


وينضم إلى باوزا في البحث “فران آليت” و “ين تشن لين”، وهم طلاب الدراسات العليا في مختبر علوم الحاسوب والذكاء الاصطناعي وقسم الهندسة الكهربائية وعلوم الكمبيوتر، و”توماس لوزانو بيريز” أستاذ هندسة التميز في التدريس في كلية الهندسة، و”ليزلي ب. كيلبلينج” أستاذ علوم وهندسة الكمبيوتر في باناسونيك، و “فيليب إيسولا”، أستاذ مساعد في قسم الهندسة الكهربائية وعلوم الكمبيوتر، وأخيرًا “ألبرتو رودريغيز” أستاذ مشارك في قسم الهندسة الميكانيكي.


تنويع البيانات


لماذا التركيز على دفع السلوك؟


يوضح “رودريغيز” أن وضع ديناميكيات الدفع التي تنطوي على احتكاك بين الأجسام والسطوح أمر بالغ الأهمية في المهام الآلية عالية المستوى. ويقول رودريغيز: “يقوم الروبوت بمهمة معقدة، لكن جوهر الميكانيكا التي تقود تلك المهمة لا يزال هو دفع كائن متأثر، على سبيل المثال، بالاحتكاك بين الكتل”.


وتقوم ورقة “Omnipush ” على مجموعة بيانات مماثلة تم إنشاؤها في مختبر التلاعب والآليات (MCube) ، بواسطة رودريغيز وبوزا وغيرهم من الباحثين الذين اعتمدوا على 10 كائنات فقط. 


وبعد نشر مجموعة البيانات للجمهور في عام 2016، جمعوا تعليقات من الباحثين. وكانت إحدى الشكاوى هي عدم وجود تنوع في الأجسام، بالإضافة إلي عدم وجود أي فيديو، وهو أمر مهم بالنسبة لرؤية الكمبيوتر والتنبؤ بالفيديو والمهام الأخرى.


أما بالنسبة لمجموعة البيانات الجديدة الخاصة بهم، استخدم الباحثون ذراعًا روبوتية صناعية، ونظام تتبع الحركة (Vicon) الذي تم استخدامه في الأفلام  والواقع الافتراضي وبحث الأشياء، بإلإضافة إلي كاميرا (RGB-D) التي تضيف معلومات متعمقة إلى الفيديو الملتقط.


المفتاح كان بناء الوحدات القياسية؛ حيث تبدو القطع المركزية الموحدة المصنوعة من الألمنيوم مثل النجوم ذات الأربع نقاط وتزن حوالي 100 جرام، كما تحتوي كل قطعة مركزية على علامات على مركزها ونقاطها، بحيث يمكن لنظام (Vicon) اكتشاف موضعه داخل ملليمتر.




ويمكن ربط القطع الأصغر في أربعة أشكال: مقعرة، مثلثة، مستطيلة، ودائرية مغناطيسيًا على أي جانب من القطعة المركزية. ويتراوح وزن كل قطعة ما بين 31 إلى 94 جرامًا، لكن الأوزان الإضافية التي تتراوح من 60 إلى 150 جرامًا، يمكن إسقاطها في ثقوب صغيرة في القطع. 


وتباعد محاذاة كل قطعة من الكائنات التي تشبه الألغاز أفقياً ورأسياً عن محاكاة الاحتكاك الذي سيحدثه كائن واحد بنفس الشكل والتوزيع الشامل. وقد تم إضافة كل المجموعات ذات الجوانب المختلفة والأوزان والتوزيعات الجماعية ما يصل إلى 250 كائنًا فريدًا.


لكل دفعة، يتحرك الذراع تلقائيًا إلى موضع عشوائي على بعد عدة سنتيمترات من الكائن، ثم يحدد اتجاهًا عشوائيًا ويدفع الكائن لثانية واحدة. بدءًا من المكان الذي توقفت فيه، فإنه يختار اتجاهًا عشوائيًا آخر ويكرر العملية 250 مرة. كل دفعة تسجل تشكل الكائن و فيديو بكاميرا (RGB-D)، والتي يمكن استخدامها لأغراض التنبؤ بالفيديو المختلفة.


يذكر أن جمع البيانات استغرق 12 ساعة في اليوم لمدة أسبوعين، وبلغ مجموعها أكثر من 150 ساعة. وكان التدخل البشري مطلوبًا فقط عند إعادة تكوين الكائنات يدويًا.


الكائنات لا تحاكي أي عناصر واقعية على وجه التحديد، وعلي الرغم من ذلك، تم تصميمها لالتقاط تنوع “الحركات الحركية” و “اختلالات الكتلة” المتوقعة من كائنات العالم الحقيقي، والتي تمثل نموذجًا لفيزياء حركة الكائنات في العالم الحقيقي. 


ويمكن للروبوتات بعد ذلك الاستقراء، على سبيل المثال ، نموذج الفيزياء لكائن ” Omnipush” سيمكنه توزيع الحمل الغير متكافئ للكتلة، على الرغم من توزيعات متفاوتة في الوزن.


ويوضح رودريغيز من خلال إعطاء مثال ” تخيل دفع طاولة بأربعة أرجل، حيث يزيد الوزن على إحدى الأرجل. عندما تضغط على الطاولة، ترى أنها تدور على الساق الثقيلة ويجب إعادة ضبطها، مضيفًا أن فهم هذا التوزيع الشامل وتأثيره على نتيجة الدفع، هو شيء يمكن أن تتعلمه الروبوتات باستخدام هذه المجموعة من الكائنات”.


تجارب البحوث الجديدة



في إحدى التجارب، استخدم الباحثون ” Omnipush” لتدريب نموذج للتنبؤ بالوضع النهائي للأجسام المدفوعة، بالنظر فقط إلى الوضع الأولي ووصف للدفع. قاموا بتدريب النموذج على 150 قطعة ” Omnipush” واختبارها على جزء من الأشياء المعلقة.


وأظهرت النتائج أن النموذج الذي تم تدريبه في كان دقيقًا بقدر دقة النماذج التي تم تدريبها على عدد قليل من مجموعات البيانات المماثلة، كما سجل الباحثون في ورقتهم أيضًا معايير بدقة يمكن للباحثين الآخرين استخدامها للمقارنة.


ونظرًا لأن ” Omnipush” يلتقط مقاطع فيديو للدفعات، فإن أحد التطبيقات المحتملة هو التنبؤ بالفيديو. على سبيل المثال، يستخدم أحد المتعاونين الآن مجموعة البيانات لتدريب الروبوت على “تخيل” دفع الأشياء بين نقطتين بشكل أساسي. 


وبعد التدريب على ” Omnipush”، يتم إعطاء الروبوت كإدخال إطارين فيديو، يظهر كائنًا في موضع البداية ووضع النهاية، ومن خلال استخدام موضع البداية، يتنبأ الروبوت بجميع إطارات الفيديو المستقبلية التي تضمن وصول الكائن إلى موضعه النهائي، ثم يدفع الكائن بطريقة تتوافق مع كل إطار الفيديو المتوقع، حتى يصل إلى الإطار بموضع النهاية.


يسأل الروبوت: ” إذا قمت بهذا الإجراء، فأين سيكون الكائن في هذا الإطار؟ ثم يختار الإجراء الذي يزيد من احتمال الحصول على الكائن في الموضع الذي يريده “. وتقول بوزا “إن الروبوت يقرر كيفية تحريك الكائنات عن طريق تخيل كيف ستتغير البكسلات في الصورة بعد الدفع.”


ويتابع “ماثيو ماسون” أستاذ علوم الحاسب الآلي والروبوتات بجامعة كارنيجي ميلون: ” تشمل ” Omnipush” قياسات دقيقة لحركة الأشياء، فضلاً عن البيانات المرئية لفئة مهمة من التفاعلات بين الروبوت والأشياء في العالم”. 


ويختتم الحديث قائلًا: “يمكن للباحثين في مجال الروبوتات استخدام هذه البيانات لتطوير واختبار أساليب تعلم الروبوتات الجديدة، والتي ستؤدي إلى استمرار التقدم في التلاعب الآلي.”


فكرة الموضوع من: http://news.mit.edu/2019/pushy-robots-learn-fundamentals-object-manipulation-1022?fbclid=IwAR159j1_0zgtwTXWWX-MXWxAKb61bS3iyJ5vjh11eyGWnvoUfKiU6Cpv65E


بعد قراءة الموضوع يمكنك معرفة المزيد عن الكلمات الآتية:


5G Apple Google iPhone oppo آبل أبل أمازون أمن المعلومات أندرويد إنترنت الأشياء إيلون ماسك الأمن السيبراني الإنترنت البطارية البيانات التكنولوجيا الذكاء الاصطناعي الروبوتات الزراعة السيارات الكهربائية الصين الطاقة الفضاء المدن الذكية المملكة المملكة العربية السعودية الهواتف الذكية تطبيق تطبيقات تقنية تويتر تيسلا جوجل سامسونج سيارة عالم التكنولوجيا فيروس كورونا فيسبوك كاسبرسكي كورونا مايكروسوفت ناسا هاتف هواوي


الرابط المختصر :
close

مرحبا 👋

سعداء بالتواصل معكم
قم بالتسجيل ليصلك كل جديد

نحن لا نرسل البريد العشوائي! اقرأ سياسة الخصوصية الخاصة بنا لمزيد من المعلومات.

اترك رد

لن يتم نشر عنوان بريدك الإلكتروني.