قدم زدن هوشمند: فناوری جدید راه رفتن را متحول می‌کند!

به گفته hackster.io:

جهان واقعی پر از آشفتگی و بی‌نظمی است و این موضوع همواره چالشی بزرگ برای مهندسان بوده که می‌خواهند ربات‌های خود را از محیط‌های کنترل‌شده به فضاهای پویا و غیرقابل‌پیش‌بینی ببرند. یکی از بزرگ‌ترین مشکلات در این مسیر، تطبیق گام‌های ربات با زمین‌های متفاوتی است که در مسیر خود با آن‌ها مواجه می‌شود. برای مثال، حرکت روی چمن، پیاده‌رو، ماسه یا بالا و پایین رفتن از تپه‌ها، هرکدام نیاز به رویکردی متفاوت دارند.

در طبیعت، حیوانات به‌راحتی این چالش را مدیریت می‌کنند. آن‌ها می‌توانند راه بروند، تند راه بروند، بدوند، جهش کنند یا پرش داشته باشند تا به کارآمدترین شکل به مقصد خود برسند. اما بازسازی این توانایی که برای حیوانات بسیار ساده به نظر می‌رسد، در دنیای رباتیک یک چالش بزرگ بوده است. حتی بهترین روش‌های مصنوعی امروزی، مانند یادگیری تقویتی عمیق (Deep Reinforcement Learning یا DRL)، همچنان در تغییر بین انواع گام‌ها با مشکل مواجه هستند و اغلب تنها یک نوع حرکت را می‌توانند به خوبی انجام دهند.

فریم ورک

نوآوری پژوهشگران در رباتیک

پژوهشگران دانشگاه لیدز و دانشگاه کالج لندن اما در حال تغییر این وضعیت هستند. آن‌ها رویکرد جدیدی مبتنی بر یادگیری تقویتی عمیق (DRL) توسعه داده‌اند که به ربات‌ها این امکان را می‌دهد تا بین سبک‌های مختلف حرکت در لحظه جابه‌جا شوند و با هر چالشی که با آن مواجه می‌شوند، سازگار گردند.

با الهام از نحوه سازگاری حیوانات با زمین‌های متنوع، این تیم چارچوبی طراحی کرده‌اند که به ربات اجازه می‌دهد به‌صورت خودکار مناسب‌ترین گام را در لحظه انتخاب کند. به جای برنامه‌ریزی پیش‌فرض برای محیط‌های خاص، ربات یاد می‌گیرد که بر اساس اصول مشاهده‌شده در طبیعت، بین راه رفتن، تند رفتن، جهش و دیگر حرکات جابه‌جا شود.

مکانیزم‌های زیستی الهام‌بخش

این سیستم برای تقلید از سه مکانیزم زیستی طراحی شده است:

• استراتژی‌های انتقال گام: روشی که حیوانات تصمیم می‌گیرند چه زمانی و چگونه حرکت کنند.
• حافظه رویه‌ای: به خاطر سپردن گام‌های مختلف برای شرایط متنوع.
• تنظیمات حرکتی در لحظه: تطبیق حرکت اندام‌ها برای حفظ تعادل و کارایی در حین حرکت.
• آموزش در شبیه‌سازی و عملکرد در دنیای واقعی

پژوهشگران این ربات را به‌طور کامل در محیط شبیه‌سازی آموزش داده‌اند و از صدها نوع زمین مجازی استفاده کرده‌اند تا الگوهای حرکتی واکنشی و غریزی در آن ایجاد شود. جالب است که این ربات هرگز در طول آموزش با زمین‌های ناهموار واقعی مواجه نشده بود، اما در زمان آزمایش، به‌راحتی از پس زمین‌های چالش‌برانگیز برآمد. در آزمایش‌های واقعی روی زمین‌هایی مانند سنگ، ریشه درختان، گل‌ولای و تکه‌های چوب ناهموار، این ربات با چابکی عمل کرد. حتی پس از اینکه عمداً با یک جارو به آن ضربه زده شد تا تعادلش به هم بخورد، توانست خود را بازیابی کند.

تمام مراحل آموزش الگوریتم به صورت شبیه‌سازی‌شده انجام شده است.

استفاده از حسگرهای داخلی

برخلاف بسیاری از سیستم‌های کنونی که به حسگرهای خارجی مانند دوربین یا رادار وابسته هستند، این ربات تنها از حسگرهای داخلی (Interoceptive Sensors) استفاده می‌کند. این حسگرها زوایای مفاصل، نیروها و تعادل ربات را اندازه‌گیری می‌کنند. این تصمیم طراحی می‌تواند برای ربات‌هایی که باید در محیط‌های با دید محدود یا شرایطی که حسگرها دچار مشکل می‌شوند، بسیار مفید باشد.

کاربردهای آینده این فناوری

تیم پژوهشگران کاربردهای فراوانی برای این چارچوب در آینده می‌بینند. از جستجو در مناطق حادثه‌دیده و تأسیسات هسته‌ای گرفته تا اکتشافات دورافتاده و کشاورزی، این فناوری می‌تواند نقش مهمی ایفا کند. در بلندمدت، آن‌ها امیدوارند این هوش مصنوعی تعبیه‌شده (Edge AI) را به ربات‌های پیچیده‌تر، از جمله ربات‌های انسان‌نما، گسترش دهند تا ماشین‌ها بتوانند با هوش و ظرافت حیوانات حرکت کنند.