ربات‌های امروزی در انجام برخی کارها بسیار خوب عمل می‌کنند مثلا از روی زمین برداشتن اشیا و یا جابه‌جا کردن آنها. همچنین در برخی از کارها مثل آشپزی نیز پیشرفت زیادی داشته‌اند.
البته عملکرد ربات‌ها فعلا در محیط آشنا مثل آزمایشگاه سنجیده می‌شود و استفاده از آنها در فضای ناآشنا که اطلاعات زیادی درباره آن ندارند، با چالش‌هایی روبرو است.
حالا سیستم جدیدی توسعه یافته به نام OK-Robot که می‌تواند به ربات‌ها آموزش دهد تا در یک فضای ناآشنا که داده‌ای درباره آن ندارند، فعالیت‌هایی را انجام دهند. بین مدل‌های هوش مصنوعی- که به سرعت در حال رشد هستند- و قابلیت‌های عملی ربات‌ها، فاصله وجود دارد و سیستم OK-Robot می‌تواند این گپ را با کم‌ترین هزینه پر کند.
محققان دانشگاه نیویورک و متا در پروژه‌ای تحقیقاتی، روی یک ربات تجاری به نام Stretch (ساخته شرکت Hello Robot) آزمایشاتی انجام داده و موفق شدند که این سیستم جدید آموزش را توسعه دهند. ربات Stretch، یک ستون محوری بلند چرخدار و دست‌هایی دارد که قابلیت جمع شدن به سمت داخل را دارند. Stretch در این تحقیق در ۵ خانه مختلف و مجموعا در ۱۰ اتاق مورد آزمایش قرار گرفت.
زمانیکه این ربات وارد اتاقی جدید می‌شود، یکی از محققان با استفاده از یک اپلیکیشن آیفون به نام Record3D که از سیستم lidar گوشی استفاده می‌کند، ویدیویی سه بعدی از محیط اتاق ضبط کرده و آن را با ربات به اشتراک می‌گذارد.
سیستم OK-Robot قابلیتی دارد که یک مدل منبع باز هوش مصنوعی برای تشخیص اشیا از روی تصویر است و در این مرحله، اجرای این قابلیت به ربات کمک می‌کند تا اشیای داخل اتاق را شناسایی کند. مثلا یک خمیردندان یا کارت‌های بازی و حتی موقعیت مکانی اشیایی مانند صندلی، میز یا سطل آشغال هم به همین شیوه شناسایی می‌شود.
محقق در مرحله بعد، ربات را راهنمایی می‌کنند تا جسم به خصوصی را بردارد یا جای آن را تغییر دهد. در این تحقیق، ربات توانست در ۵۸.۵ درصد موارد، دستورات را با موفقیت انجام دهد. در اتاق‌هایی که اشیا کمتری در آن وجود داشت، ربات تا میزان ۸۲ درصد توانست ماموریت خود را به درستی انجام دهد.
متیاس مایندرر، دانشمند و محقق گوگل دیپ مایند، به پیشرفت‌های چشمگیر اخیر در حوزه هوش مصنوعی اشاره می‌کند که قابلیت‌های کامپیوترها را برای درک و پردازش داده‌های زبانی و بصری، به طرز بی‌سابقه‌ای توسعه داده است. این دستاوردها به محققان حوزه رباتیک کمک می‌کند تا به مدل‌های منبع باز هوش مصنوعی و ابزارهایی دسترسی داشته باشند که تا همین ۳ سال پیش اثری از آنها نبود.
مایندرر توضیح می‌دهد: «ما در حال تجربه تغییر بزرگی در صنعت یادگیری ماشینی هستیم که باعث شده مدل‌هایی تولید شوند که نه تنها در آزمایشگاه‌ها بلکه در دنیای واقعی نیز کاربرد دارند. عملکرد موفقیت آمیز این مدل‌ها در محیط فیزیکی واقعی، دستاورد بسیار عظیمی محسوب می‌شود.»
منبع: technologyreview
