مختبر CSAIL في MIT يطور ذكاءً اصطناعياً لتسريع تخطيط المهام لروبوتات المنازل

حقق باحثو مختبر علوم الكمبيوتر والذكاء الاصطناعي (CSAIL) في معهد ماساتشوستس للتكنولوجيا (MIT) اختراقاً كبيراً من خلال تطوير PIGINet، وهو نظام ذكاء اصطناعي مصمم لتعزيز قدرات حل المشكلات للروبوتات المنزلية. باستخدام التعلم الآلي ومشفّر المحولات (transformer encoder)، يبسط PIGINet عملية تخطيط المهام، مما يقلل وقت التخطيط بنسبة 50% إلى 80% في سيناريوهات متنوعة. تجعل قدرة النموذج على التنقل بكفاءة في بيئات معقدة ذات عوائق متحركة منه حلاً عملياً وقابلاً للتكيف للمهام المنزلية.

تحدي تخطيط المهام للروبوتات المنزلية

غالباً ما تواجه الروبوتات المنزلية العديد من الإجراءات التي يمكنها اتخاذها محتملاً عند أداء المهام، مما يؤدي إلى عمليات تخطيط غير فعالة وتستغرق وقتاً طويلاً. تتضمن النهج التقليدية تحسيناً تكرارياً لخطط المهام حتى يتم العثور على حل ممكن. ومع ذلك، تصبح هذه الطريقة أكثر تعقيداً في وجود عوائق قابلة للحركة ومفصلة. هدف مختبر CSAIL في MIT هو إحداث ثورة في هذه العملية من خلال تطوير PIGINet.

PIGINet هو شبكة عصبية مصممة لتعزيز كفاءة تخطيط المهام للروبوتات المنزلية. يستخدم مشفّر المحولات، وهو نموذج متعدد الاستخدامات يعمل على تسلسلات البيانات، لمعالجة المعلومات حول خطة المهام، وصور البيئة، والتشفيرات الرمزية للحالات الأولية والمرغوبة. ومن خلال التنبؤ باحتمالية أن تؤدي خطة المهام إلى خطط حركة قابلة للتنفيذ، يقلل PIGINet بشكل كبير من وقت التخطيط.

تبسيط تخطيط المهام

أنشأ الباحثون مئات البيئات المحاكية ذات التخطيطات المختلفة والمهام المحددة التي تتضمن إعادة ترتيب الأشياء بين الطاولات والثلاجات والخزائن والأحواض وأواني الطهي. تم اختبار PIGINet ضد الطرق السابقة، وكانت النتائج مبهرة. فقد قلل وقت التخطيط بنسبة 80% في السيناريوهات الأبسط وبنسبة 20% إلى 50% في المواقف الأكثر تعقيداً، والتي تتطلب تسلسلات خطط أطول وبيانات تدريب أقل.

حل المشكلات المرن مع التضمينات متعددة الوسائط

سمح استخدام PIGINet للتضمينات متعددة الوسائط في تسلسل الإدخال بفهم أفضل للعلاقات الهندسية المعقدة. أدرك النموذج الترتيبات المكانية وتكوينات الأشياء ببيانات الصور دون الاعتماد على شبكات الكائنات ثلاثية الأبعاد لإجراء فحص دقيق للتصادم. مكن هذا من اتخاذ قرارات سريعة في بيئات متنوعة.

معالجة تحديات البيانات

أثناء تطوير PIGINet، كان أحد التحديات الرئيسية هو ندرة بيانات التدريب الجيدة. كان يجب توليد الخطط الممكنة وغير الممكنة بواسطة المخططين التقليديين، وهي عملية بطيئة. تغلب الباحثون على هذا العائق باستخدام نماذج اللغة والرؤية المدربة مسبقاً وتقنيات زيادة البيانات. أظهر النموذج انخفاضاً مثيراً للإعجاب في وقت التخطيط، حتى في السيناريوهات التي تحتوي على كائنات لم تُرَ من قبل.

رؤية الفريق للروبوتات المنزلية هي أن يكون لديها محللو مشكلات قابلون للتكيف بدلاً من مجرد متبعين للوصفات. يولد مخطط المهام متعدد الأغراض في PIGINet خطط مهام مرشحة، ويختار نموذج التعلم العميق أكثرها وعداً. النتيجة هي روبوت منزلي أكثر كفاءة وعملياً يمكنه التنقل بخفة في بيئات معقدة وديناميكية.

أهداف مستقبلية وما وراء المنازل

يخطط الباحثون لتحسين PIGINet لاقتراح خطط مهام بديلة بعد تحديد الإجراءات غير الممكنة، مما يسرع بشكل أكبر توليد خطط المهام الممكنة دون الحاجة إلى مجموعات بيانات كبيرة. يمكن لهذا النهج الثوري في تدريب الروبوتات وتطبيقها أن يمتد إلى ما وراء المنازل، مما يفتح إمكانيات جديدة في مجالات مختلفة.

مع تطوير PIGINet، قدمت مختبرات CSAIL في معهد ماساتشوستس للتكنولوجيا (MIT) قفزة نوعية في قدرات الروبوتات المنزلية من خلال تقليل وقت التخطيط بشكل كبير وتعزيز القدرة على التكيف في البيئات المعقدة. باستخدام التعلم الآلي والتضمينات متعددة الوسائط، يوفر PIGINet حلاً فعالاً وموثوقاً للعديد من المشكلات. إن إمكاناته الثورية في تدريب ونشر الروبوتات تجعله ابتكاراً رئيسياً في مجال الروبوتات متعددة الأغراض.