این مطالعه در پایگاه Arxiv منتشر شده است.
در نظر گرفتن همه محدودیت ها به طور همزمان
یانگ و تیمش امیدوارند مدل خود را در موقعیت‌های پیچیده‌تر بدون نیاز به آموزش داده‌های جدید آزمایش کنند.
این مدل که «حل‌کننده محدودیت پیوسته انتشار ترکیبی»(Diffusion-CCSP) نامیده می‌شود، خانواده‌ای از مدل‌های انتشار را یاد می‌گیرد و نوعی از مدل‌های هوش مصنوعی مولد است که با هم آموزش داده می‌شوند. بنابراین دانش‌هایی مانند هندسه اشیاء را که ربات‌ها با آنها چالش دارند، می‌آموزد.
وی افزود: اکنون با ابزار قدرتمند مدل‌های انتشار ترکیبی می‌توانیم این مسائل پیچیده‌تر را حل کنیم و نتایج عالی به دست آوریم.
ژوتیان یانگ، دانشجوی کارشناسی ارشد مهندسی برق و علوم کامپیوتر و نویسنده اصلی این مطالعه می‌گوید: دیدگاه من این است که ربات‌ها را به انجام وظایف پیچیده‌تر که دارای محدودیت‌های هندسی زیادی هستند و تصمیمات مستمرتری که باید گرفته شوند، سوق دهم. این‌ها انواع مشکلاتی هستند که ربات‌های خدماتی در محیط های انسانی بدون ساختار و متنوع ما با آن روبرو هستند.
انگیزه اصلی پژوهشگران حل مشکلات فرعی بود که در طول برنامه‌ریزی کلی ربات ایجاد می‌شود. پژوهشگران این موضوع را در بیانیه مطبوعاتی خود با استفاده از مثال بسته‌بندی و کنار هم قرار دادن قطعات در یک خودرو توضیح دادند. آنها گفتند که یک محدودیت ممکن است نیاز به یک شیء خاص در کنار یک شیء دیگر داشته باشد، در حالی که محدودیت دوم ممکن است مشخص کند که یکی از آن اشیاء باید در کجا قرار گیرد. پژوهشگران با Diffusion-CCSP می‌خواستند به هم پیوستگی محدودیت‌ها را به تصویر بکشند.
یانگ می‌گوید: با این فرآیند، تولید داده در شبیه‌سازی تقریباً آنی است. ما می‌توانیم ده‌ها هزار محیط ایجاد کنیم که بدانیم مشکلات آن قابل حل هستند.
یانگ افزود: ما همیشه در اولین حدس به یک راه حل نمی‌رسیم. اما وقتی راه حل را اصلاح می‌کنید و مشکلی رخ می‌دهد، باید شما را به راه حل بهتری برساند. شما با اشتباه کردن راهنمایی می‌شوید.
حل مشکلات بسته‌بندی
انتهای پیام
منبع خبر: https://www.isna.ir/news/1402072819847/%D8%A7%D8%B3%D8%AA%D8%AB%D9%85%D8%A7%D8%B1-%D8%B1%D8%A8%D8%A7%D8%AA-%D9%87%D8%A7-%D8%A8%D8%A7-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C
به گزارش ایسنا و به نقل از آی‌ای، اغلب ربات هایی که امروزه می‌بینیم، می‌توانند وظایف خاصی را با دخالت اندک انسان انجام دهند. به عنوان مثال، یک بازوی رباتیک وجود دارد که می‌تواند گوجه فرنگی را از مزارع برداشت کند. این ربات با محیط خود در تعامل است تا وظیفه چیدن گوجه فرنگی را انجام دهد که به آن «دستکاری رباتیک» می‌گویند.
روش پژوهشگران از هوش مصنوعی مولد برای کمک به ربات‌ها در حل مشکلات حمل و نقل مانند برخورد با موانع و پایداری استفاده می‌کند. این در حالی است که راه حل‌های سنتی برای رفع این مشکلات، زمان‌بر هستند.
دانشمندان مؤسسه فناوری ماساچوست(MIT) از هوش مصنوعی برای وادار کردن یک ربات به انجام چندین کار استفاده می‌کنند.
با این حال، ماشین‌ها اغلب با محدودیت‌های هندسی و فیزیکی مانند پایداری و عدم برخورد با موانع مواجه هستند. پژوهشگران مؤسسه فناوری ماساچوست (MIT) برای اجتناب از این محدودیت‌ها، مدل‌های مختلفی را با هم ترکیب کرده‌اند که هر کدام به نوع متفاوتی به استقبال رفع این محدودیت‌ها می‌رفتند تا مدل جدیدی را ایجاد کنند که بتواند راه‌حل‌هایی را به طور جمعی پیدا کند.
