به گزارش ایسنا به نقل از ام. آی. تی نیوز، شاید یک سیستم جدید یادگیری بتواند توانایی رباتها را در شکل دادن به مواد بهبود بخشد و امکان تعامل بهتر آنها با اجسام جامد و مایع را فراهم کند. این سیستم موسوم به "شبیه‌ساز ذره‌ای مبتنی بر یادگیری" می‌تواند به ربات‌های صنعتی این امکان را بدهد تا واکنش مواد گوناگون را پیش‌بینی کنند و برای مواردی مانند مدل‌سازی با خاک رس یا رول کردن سوشی به کار روند.
شبیه‌سازهای فیزیکی در برنامه‌ریزی رباتیک، شبیه‌سازهایی هستند که تفاوت میان واکنش مواد را مشخص می‌کنند. رباتها با استفاده از این شبیه سازها آموزش داده می‌شوند تا پیامدهای تعامل خود با اشیا را پیش‌بینی کنند اما شبیه‌سازهای قدیمی معمولاً بر اشیای جامد تمرکز دارند و نمی‌توانند از عهده پیش‌بینی کار با اشیای مایع و یا نرم‌تر برآیند. برخی از شبیه‌سازهای دقیق‌تر می‌توانند با اشیای گوناگونی کار کنند اما تمرکز اصلی آنها بر روش‌های تقریبی است که خطاهای رباتها را هنگام تعامل آنها با اشیا در جهان واقعی نشان می‌دهند.
پژوهشگران دانشگاه "ام. آی. تی"(MIT)، مدل یادگیری جدیدی ارائه داده‌اند که می‌توان نحوه تعامل بخش‌های متفاوت ماده را هنگام فشرده شدن یا ضربه خوردن به آن آموزش داد. رباتها می‌توانند با کمک این مدل، علاوه بر مواد جامد، واکنش مایعات را به لمس شدن پیش‌بینی کنند و از عهده کار با آنها برآیند.
در آزمایش‌های این مدل، یک دست رباتیک موسوم به "رایس‌گریپ"(RiceGrip) که به دو انگشت مجهز است، توانست یک فوم که قابل تغییر شکل نبود، به شکل دلخواه درآورد. می‌توان گفت که پژوهشگران با این ابداع، نوعی مغز مجهز به فیزیک بصری ارائه داده‌اند که رباتها می‌توانند با استفاده از آن، اشیای سه‌بعدی را بازسازی کنند و این کار را تاحدودی شبیه به انسان‌ها انجام دهند.
"یونزو لی"(Yunzhu Li)، از پژوهشگران این پروژه گفت: انسان‌ها، یک مدل فیزیک بصری را در ذهن خود دارند که امکان تصور چگونگی واکنش ماده را هنگام هل دادن یا فشار آوردن به آنها فراهم می‌کند. انسان‌ها با کمک این قابلیت می‌توانند کارهای پیچیده‌ای انجام دهند که از عهده ربات‌های کنونی خارج است. هدف ما این است که نوعی از مدل فیزیک بصری را برای رباتها بسازیم تا بتوانند این قابلیت‌های پیچیده انسانی را داشته باشند.
"جیاجون وو"(Jiajun Wu)، از نویسندگان این پژوهش گفت: انسان‌ها در پنج ماهگی، انتظارات متفاوتی از مواد جامد و مایع دارند و ما می‌خواهیم این قابلیت‌های به رباتها نیز منتقل کنیم.
مقاله این پژوهش، در نشست بین‌المللی "ICLR" ارائه شد.
- 15
- 1
