AZ 
“Toxunma xəyalı” humanoid robotlara beş çətin tapşırığı 90,9% daha yüksək uğurla yerinə yetirməyə kömək edir
İnqrid Fadelli , Phys.org tərəfindən
Sadie Harley tərəfindən redaktə edilib , Robert Egan tərəfindən nəzərdən keçirilib
Tercih edilən mənbə kimi əlavə edin
Humanoid Touch Dream, humanoid robotun dəsmal qatlama və kitab təşkilindən tutmuş sıx tolerantlıqla yerləşdirmə, alət istifadəsi və iki əlli çay süfrəsinə qədər müxtəlif təmasla zəngin tapşırıqları yerinə yetirməsinə imkan verir. Bu tapşırıqlar, bütün bədənə sabit nəzarət, toxunma hissi və çevik manipulyasiya üçün proqnozlaşdırıcı toxunma ilə öyrənməni birləşdirir. Müəllif hüquqları: Niu və başqaları.
İnsan bədən quruluşuna bənzəyən robot sistemləri olan humanoid robotlar tezliklə insanlara ev mühitində, istehsal müəssisələrində, xəstəxanalarda və digər yerlərdə müxtəlif tapşırıqlarda kömək edə bilər. Bəzi humanoid robotlar artıq əsas əl işlərini yaxşı yerinə yetirsələr də, onlar tez-tez daha mürəkkəb tapşırıqlarla və ya ətraflarındakı məkanda hərəkət edərkən obyektləri etibarlı şəkildə idarə etməyi tələb edən tapşırıqlarla mübarizə aparırlar.
Karnegi Mellon Universitetinin (CMU) və Bosch Süni İntellekt Mərkəzinin tədqiqatçıları bu yaxınlarda humanoid robotların təmasla zəngin real dünya şəraitində çevik şəkildə bütün bədən manipulyasiyaları aparmaq qabiliyyətini artıra biləcək yeni süni intellektə (Sİ) əsaslanan sistem hazırladılar. Onların təklif etdiyi “Toxunma Xəyalları ilə Humanoid Transformer” (HTD) adlandırılan Sİ modeli arXiv pre -print serverində dərc olunmuş məqalədə təqdim edildi .
“İnsanlar manipulyasiyada olduqca yaxşıdırlar, çünki onlar bütün bədən çevikliyini, əl çevikliyini və əl-cisim qarşılıqlı təsir dinamikasının intuitiv anlayışını birləşdirirlər”, – məqalənin ilk müəllifi və CMU Safe AI Lab-ın sonuncu il doktorluq dissertasiyasına namizəd Yaru Niu bildirib.
“Parça qatlamaq, bir əşyanı soxmaq, qaşıq götürmək və ya kövrək əşyaları daşımaq kimi gündəlik işləri yerinə yetirərkən yalnız görmə qabiliyyətimizə güvənmirik. Bədən duruşumuzu, əl hərəkətlərimizi və təmasın necə inkişaf edəcəyi ilə bağlı proqnozlarımızı davamlı olaraq əlaqələndiririk.”
“Bu insan qabiliyyəti bu məqalə üçün əsas ilham mənbəyi oldu. Sadə bir sual vermək istədik: əgər real dünyada çox yönlü humanoid manipulyasiya bütün bədən koordinasiyası, çevik əllər və təmas anlayışının bu kombinasiyasından asılıdırsa, eyni maddələri ələ keçirməyə başlayan robot sistemi necə qura bilərik?”
Humanoid robotlarda çevik manipulyasiyanın təkmilləşdirilməsi
Əvvəlki tədqiqat səylərini nəzərdən keçirərkən Niu və həmkarları əksər humanoid robotların hələ də bədən hərəkətlərini əlaqələndirə və daha inkişaf etmiş obyekt manipulyasiyası tapşırıqlarını yerinə yetirə bilmədiyini başa düşdülər. Beləliklə, onlar paylanmış toxunma sensorları tərəfindən toplanan məlumatlardan istifadə edərək bütün bədən hərəkətlərinin yerinə yetirilməsinə və obyektlərin çevik manipulyasiyasına imkan verəcək yeni bir robot platforması hazırlamağa başladılar.
“Məlum oldu ki, nümayişlər mövcud olsa belə, yalnız görmə və propriosepsiya ilə öyrədilən siyasətlər tez-tez təmasla zəngin tapşırıqlarda çətinlik çəkir, çünki təmas yalnız qismən müşahidə olunur və çox tez dəyişə bilər”, – məqalənin baş müəllifi, CMU-nun dosenti və CMU Təhlükəsiz Süni İntellekt Laboratoriyasının direktoru Dinq Çjao bildirib.
“Bu boşluqlar bizi həm inteqrasiya olunmuş humanoid manipulyasiya sistemi, həm də siyasəti daha çox əlaqə məlumatlılığına təşviq edən bir öyrənmə metodu qurmağa sövq etdi.”
Tədqiqatçılar süni intellekt sistemlərini öyrətmək üçün təqlid öyrənməsini gələcək təmasla əlaqəli siqnalların proqnozlaşdırılması ilə birləşdirdilər. Onların hazırladığı model olan HTD, yalnız gələcək hərəkətləri proqnozlaşdırmaq üçün deyil, həm də manipulyasiya zamanı toxunma və gücün necə inkişaf edəcəyini təxmin etmək üçün təlim keçmişdi. Bu prosesə komanda “toxunma xəyalı” adını verdi.Humanoid Touch Dream-in sistem icmalı. Müəllif: Niu və başqaları.
Hərəkət hissələrinə əlavə olaraq, model gələcək əl-oynaq qüvvələrini və toxunma təsvirlərini proqnozlaşdırır və robot bir obyekti manipulyasiya edərkən siyasəti dəyişən fiziki qarşılıqlı təsirlərdən daha çox xəbərdar olmağa təşviq edir.
HTD, xam toxunma sensoru oxunuşlarını birbaşa yenidən qurmaq əvəzinə, yavaş-yavaş yenilənən hədəf şəbəkəsi tərəfindən yaradılan kompakt toxunma gizli təmsillərini proqnozlaşdırır. Bu, modelin səs-küylü aşağı səviyyəli sensor dalğalanmaları əvəzinə mənalı təmas nümunələrinə diqqət yetirməsinə kömək edir və eyni zamanda toxunma ilə öyrənmənin tək mərhələli təqlid öyrənmə çərçivəsinə inteqrasiya olunmasına imkan verir.
“Yüksək səviyyədə, RL əsaslı bütün bədən nəzarətçimiz humanoid manipulyasiyası üçün sabit bir icra onurğası təmin etmək üçün hazırlanmışdır”, – deyə Zhao izah etdi.
“Tək bir nəzarətçinin bütün bədən hərəkətinin hər aspektini birdən həll etməsini təmin etmək əvəzinə, problemi aradan qaldırırıq. Aşağı bədən nəzarətçisi yuxarı bədən manipulyasiyası nəticəsində yaranan narahatlıqlar altında tarazlığı qoruyarkən baza sürətini, gövdə istiqamətini və hündürlüyü izləməkdən məsuldur.”
“Yuxarı bədən pozası hədəfləri tərs kinematika vasitəsilə, çevik əl hərəkətləri isə əlin yenidən hədəflənməsi vasitəsilə idarə olunur. Bu, bizə humanoid lokomotiv manipulyasiyası üçün praktik real dünya icrası dəsti verir.”
Humanoid robotların aşağı gövdəsini idarə etməkdən məsul olan süni intellekt modeli, sözdə müəllim-tələbə yanaşmasından istifadə edərək simulyasiyalar üzrə təlim keçib . Bu simulyasiya mühitində “müəllim” agenti imtiyazlı məlumatlara çıxış əldə edir, tələbə isə baza bucaq sürətinin, cazibə qüvvəsinin, aşağı gövdə oynaqlarının mövqelərinin və hərəkət sürətinin ölçülməsi daxil olmaqla, real dünya müşahidələrinə əsaslanaraq gələcək hərəkətlərini planlaşdırır.
Niu və Zhao bildiriblər ki, “Təlim zamanı biz AMASS məlumat dəstindən yenidən hədəflənmiş qol hərəkətlərini təkrarlayırıq ki, nəzarətçi real yuxarı bədən pozğunluqları altında sabit qalmağı öyrənsin. Son tələbə nəzarətçisi isə real robotda yerləşdirdiyimiz şeydir.”
Əsas üstünlüklər və ilkin testlər
Tədqiqatçılar tərəfindən hazırlanmış sistem, keçmişdə təqdim edilmiş digər kontrollerlərə nisbətən müxtəlif üstünlüklərə malikdir. Ən əsası, robotun tarazlığını qoruması ilə çevik manipulyasiya bacarıqları arasındakı müdaxiləni azaldır.
Niu və Zhao bildiriblər ki, “Aşağı bədən sabitlik üçün vacib olan icraya diqqət yetirir, yuxarı bədən və əllər isə bilək və əl hədəflərini daha birbaşa izləyə bilən ayrı modullar tərəfindən idarə olunur. Təcrübələrimizdə bu nəzarətçi rəqabətli bazalarla müqayisədə güclü izləmə performansı göstərdi və həm teleəməliyyat, həm də muxtar yerləşdirmə zamanı icranın əsasını təşkil etdi.”Oyna
00:00
01:24SəssizParametrlərPIPTam ekrana daxil olun
HTD sistemi robotlara ətraflarında dayanarkən və ya naviqasiya edərkən obyektləri daha mürəkkəb şəkildə idarə etməyə imkan verə bilər. Sistem toxunma sensorları tərəfindən toplanan zəngin məlumat hovuzunu təhlil edərək bütün bədən hərəkətlərini planlaşdırır.
Niu bildirib ki, “Əvvəlki sistemlərin çoxu bu komponentlərin bəzilərini təmin edir, lakin onları praktiki real platformada bir araya gətirənlər azdır”.
“Sistemimiz RL əsaslı bütün bədən nəzarətçisini, yuxarı bədən tərs kinematikasını, çevik əl hədəfləməsini, VR teleoperasiyasını və paylanmış toxunma sensorunu birləşdirir. Bu, bizə təmasla zəngin humanoid manipulyasiyası üçün yüksək keyfiyyətli nümayişlər toplamaq üçün praktik bir platforma verir.”
Robotlar üçün optimal gələcək hərəkətləri proqnozlaşdırmaqla yanaşı, HTD nəzarətçisi mürəkkəb əl tapşırıqlarını yerinə yetirmək üçün vacib olan qüvvələri və toxunma məlumatlarını qiymətləndirir. Əvvəlki bir çox toxunma öyrənmə sistemlərindən fərqli olaraq, HTD ayrıca toxunma öncəsi təlim mərhələsi və ya nəticə çıxarma zamanı əlavə toxunma dünya modeli tələb etmədən birbaşa təqlid öyrənmə siyasəti daxilində toxunma ilə bağlı təsəvvürləri öyrənir.
“Təcrübə nəticələrimiz güclü idi”, – deyə Zhao bildirib. “Beş real dünya tapşırığı, yəni insert-T, kitabın təşkili, dəsmal qatlama, pişik zibilinin qaşıqla atılması və çay süfrəsi üzrə HTD, daha güclü ACT baza göstəricisi ilə müqayisədə orta uğur nisbətində 90,9% nisbi irəliləyiş əldə edib.
“Ablasiyalarımız həmçinin göstərdi ki, sadəcə əlavə giriş kimi toxunma əlavə etmək kifayət deyil. Gizli məkanda toxunma siqnallarını proqnozlaşdırmaq, xam toxunma siqnallarını birbaşa proqnozlaşdırmaqdan daha təsirli idi və xam toxunma yuxusu ilə müqayisədə uğur nisbətində 30% nisbi artım verdi.”
Real həyatda tətbiqlər və gələcək tədqiqat istiqamətləri
Gələcəkdə tədqiqatçılar tərəfindən hazırlanmış robototexnika platforması və süni intellekt əsaslı nəzarətçi humanoid robotların inkişafına töhfə verə bilər və potensial olaraq onların müxtəlif real dünya şəraitində uğurla yerləşdirilməsini asanlaşdıra bilər. Məsələn, bu, bu robotların ev işlərini görmək, xidmət rollarını yerinə yetirmək və ya mağazalarda insanlara kömək etmək və sənaye və ya istehsal sahələrində tapşırıqları yerinə yetirmək qabiliyyətini artıra bilər.
“İşimizin daha geniş dərsi budur ki, əgər humanoidlərin faydalı real həyat işləri görməsini istəyiriksə, onların təkcə daha yaxşı görmə və hərəkət generasiyasına deyil, həm də daha yaxşı təmasda öyrənməyə ehtiyacı var”, – məqalənin həmmüəllifi, Bosch Süni İntellekt Mərkəzindəki Robot Öyrənmə Laboratoriyasının rəhbəri və CMU-nun Robototexnika İnstitutunun Nəzakət fakültəsinin üzvü Conatan Fransis bildirib.Oyna
00:00
00:35SəssizParametrlərPIPTam ekrana daxil olun
Komandanın sisteminin əsasını təşkil edən kodların bir hissəsi açıq mənbəlidir və GitHub-dakı digər tədqiqatçılar tərəfindən əldə edilə bilər . Niu, Zhao, Francis və həmkarları hazırda süni intellekt modellərinin təmsilçilik-öyrənmə imkanlarını daha da təkmilləşdirməyə yönəlmiş yeni tədqiqatlar planlaşdırırlar.
“Bu məqalədə toxunma gizli proqnozlaşdırması köməkçi məqsəd kimi işləyir və empirik olaraq yaxşı işləyir, lakin gizli məkanı daha çox köçürülə bilən, fiziki olaraq daha interpretasiya edilə bilən və planlaşdırma və ya sınaq vaxtına uyğunlaşma üçün potensial olaraq daha faydalı etmək barədə hələ də vacib açıq suallar mövcuddur”, – deyə Zhao bildirib.
“Hazırda toxunma gizli məkanı kompakt təlim hədəfi kimi təsirlidir, lakin biz hansı struktur növlərinin onu robot davranışının sonrakı mərhələləri üçün ən faydalı etdiyini daha yaxşı anlamaq istərdik. Buraya gizli məkanın təmas dinamikasını daha aydın şəkildə əks etdirməsi üçün necə formalaşdırılması, tapşırıqlar arasında ümumiləşdirilməsi və hərəkət təqlidindən kənarda daha güclü düşüncə formalarını dəstəkləyib-dəstəkləyə bilməyəcəyi kimi suallar daxildir.”
Növbəti tədqiqatlarının bir hissəsi olaraq, tədqiqatçılar həmçinin öyrənmə çərçivələrini daha da genişləndirməyi və insan-robot əməkdaşlığını əhatə edən təcrübələrdə sınaqdan keçirməyi planlaşdırırlar. Bunu etmək üçün onlar həmçinin vizual məlumatlardan və insan nümayişlərindən istifadə etməyə imkan vermək istəyirlər.
Zhao bildirib ki, “İnsanlar təbii olaraq bütün bədən koordinasiyasını, çevik əl istifadəsini və proqnozlaşdırıcı təmas idarəetməsini yalnız robot məlumatları ilə müqayisə etmək çətin olan bir miqyasda nümayiş etdirirlər. Əlaqəli məqsəd, xüsusilə də müxtəlif növ çevik əllər və toxunma sensorları ilə təchiz olunmuş robotlar üçün boru kəmərini ümumiləşdirməkdir.”
Uzunmüddətli perspektivdə Niu, Zhao, Francis və həmkarları fərqli bədən quruluşlarına və sensor konfiqurasiyalarına malik müxtəlif robotlara asanlıqla tətbiq oluna bilən süni intellekt əsaslı çərçivələr hazırlamaq istəyirlər. Bundan əlavə, onlar müxtəlif mürəkkəb manipulyasiya tapşırıqlarını həll etmək üçün asanlıqla uyğunlaşdırıla bilən sistemlər yaratmaq istəyirlər.
Zhao əlavə edib ki, “Nəticə etibarilə, daha geniş məqsəd tapşırıqlara xas toxunuşa əsaslanan humanoid siyasətlərindən həm insan, həm də robot təcrübəsindən öyrənə bilən daha miqyaslı və təcəssüm üçün möhkəm humanoid manipulyasiya sistemlərinə keçməkdir”.
Müəllifimiz İnqrid Fadelli tərəfindən sizin üçün yazılmış, Sadie Harley tərəfindən redaktə edilmiş və Robert Egan tərəfindən faktlar yoxlanılmış və nəzərdən keçirilmişdir — bu məqalə diqqətli insan əməyinin nəticəsidir. Müstəqil elmi jurnalistikanı yaşatmaq üçün sizin kimi oxuculara güvənirik. Bu reportaj sizin üçün vacibdirsə, xahiş edirik ianə etməyi düşünün (xüsusilə aylıq). Təşəkkür olaraq reklamsız hesab əldə edəcəksiniz .
Nəşr detalları
Yaru Niu və digərləri, Toxunuşla Xəyal qurma ilə Çoxfunksiyalı Humanoid Manipulyasiyasını Öyrənmək, arXiv (2026). DOI: 10.48550/arxiv.2604.13015
Jurnal məlumatı: arXiv
