پیشرفت بزرگ! تیم تحقیقاتی پکن اولین «الگوریتم کنترل ترکیبی نیرو-مکان» در جهان را پیشنهاد داده‌است

اخیراً تیم‌های تحقیقاتی چینی در زمینه الگوریتم‌های ربات‌ها دستاورد‌های بزرگی کسب کرده‌اند و نخستین نظریه یکپارچه جهانی «الگوریتم کنترل ترکیبی نیرو-مکان» را ارائه داده‌اند. این الگوریتم به سنسورهای نیرو وابسته نیست و امکان یادگیری همزمان کنترل مکان و نیرو را برای ربات فراهم می‌کند. نرخ موفقیت وظایف مرتبط با آن نسبت به استراتژی‌ای که صرفاً از کنترل مکان استفاده می‌کند، حدود ۳۹٫۵ درصد افزایش یافته است. قابل توجه‌تر این است که مقالات مربوط به آن در کنفرانس بین‌المللی یادگیری ربات‌ها جایزه مقاله برجسته را کسب کرده‌اند؛ این نخستین بار است که از زمان تأسیس این جایزه، تیمی از پژوهشگران چینی آن را دریافت می‌کند.
در سایت آزمایشی مؤسسه تحقیقات هوش مصنوعی عمومی پکن، یک سگ مکانیکی چهارپا که با این الگوریتم جدید مجهز شده‌است، وظیفه آموزشی پاک‌کردن تخته‌های سفید را به‌صورت منظم انجام می‌دهد. محققان از این سناریوی عملی برای توضیح اصول اصلی و مزایای برجسته «الگوریتم کنترل ترکیبی نیرو-موقعیت» به خبرنگاران استفاده کردند.
جیا باو‌شیونگ، پژوهشگر مؤسسهٔ تحقیقات هوش مصنوعی عمومی پکن: مدل‌های اصلی عمل-زبان بصری در واقع عکس‌های گرفته‌شده توسط دوربین‌ها را به‌عنوان ورودی می‌پذیرند و سپس پیش‌بینی‌هایی از مسیر حرکت انجام می‌دهند. این مسیر ممکن است باعث شود ربات در طول فرآیند پاک‌کردن به تختهٔ سفید چسبیدگی دقیقی نداشته باشد و در نتیجه نتواند آن را پاک کند. در مدل کنترل ترکیبی نیرو-مکان، ما سعی کرده‌ایم تا حد امکان بعد نیرو را نیز در نظر بگیریم و این‌گونه اثر فشار واردشده بر تختهٔ سفید را در کنار موقعیت‌یابی دقیق به‌دست آوریم تا ربات بتواند به‌طور نزدیکی به تختهٔ سفید چسبیده و کلمات روی آن را پاک کند. یعنی نه‌تنها بعد نیرو را به مدل اصلی عمل-زبان بصری اضافه کرده‌ایم، بلکه همزمان کنترل ترکیبی نیرو و مکان را نیز به‌دست آورده‌ایم.
بر اساس گفته‌های پژوهشگران، مدل‌های رایج عمل‌گری زبان بصری اغلب در انجام بسیاری از وظایف در زندگی واقعی ناتوان هستند. مسئلهٔ اصلی در این است که اکثر این وظایف شامل سناریوهای تماس پیچیده‌ای می‌شوند؛ برای نمونه، هنگام پاک کردن تخته سیاه، بازوی رباتیک باید به سطح چسبیده بماند و فشار مناسبی را حفظ کند؛ درب کابینت کلیدها باید ساختار فنری داخلیِ جلو-عقب را دقیقاً تشخیص دهد؛ و ربات نه‌تنها باید «به جایی که می‌رود بروند و دستش را به جایی که می‌رود دراز کند»، بلکه باید «درک کند که چه مقدار نیرو باید وارد کند». پیش از ظهور «الگوریتم کنترل ترکیبی نیرو-مکان»، حل همهٔ این مسائل نیازمند استفاده از سنسورهای نیرو بود.
جیا باو‌شیونگ، پژوهشگر مؤسسهٔ تحقیقات هوش مصنوعی عمومی پکن: در واقع، سنسورهای نیرو معمولاً به بازوان رباتیک ثابت اضافه می‌شوند که نصب آن‌ها را پیچیده‌تر و گران‌تر می‌کند. مدل کنترل ترکیبی نیرو-مکان، نرخ موفقیت این وظایف که نیازمند اعمال نیرو هستند را نسبت به مدل سنتی وِ‌ال‌اِی (مدل عمل زبانی بصری) تقریباً ۴۰ درصد افزایش داده است.