باحثو MIT يطورون نظاما لتصميم الروبوتات الناعمة الذكية وتدريبها
تخيل أنك تريد إنشاء أفضل روبوت في العالم لصعود الدرج. ستحتاج إلى تحسين الدماغ والجسم معا، ربما بتزويد الروبوت بعدة أرجل وأقدام عالية التقنية مع خوارزمية قوية للصعود.
رغم أن تصميم الجسم المادي ودماغه («التحكم») عنصران أساسيان يمكنان الروبوت من الحركة، فإن بيئات الاختبار المرجعية الحالية تفضل الأخير فقط. ويصعب التحسين المشترك للعنصرين، إذ يستغرق تدريب نماذج روبوتات مختلفة على أداء أشياء مختلفة وقتا طويلا حتى دون عنصر التصميم.
سعى علماء من مختبر علوم الحاسوب والذكاء الاصطناعي في معهد ماساتشوستس للتكنولوجيا (CSAIL) إلى سد هذه الفجوة، فطوروا «Evolution Gym»، وهي منظومة اختبار واسعة النطاق للتحسين المشترك لتصميم الروبوتات الناعمة والتحكم بها، مستلهمين الطبيعة وعمليات التطور.
الروبوتات في المحاكي تشبه قليلا قطع تتريس الناعمة المتحركة، المكونة من «خلايا» ناعمة وصلبة ومحركة على شبكة، وتستخدم للمشي والتسلق والتعامل مع الأجسام وتغيير الشكل والتنقل عبر تضاريس كثيفة الطبقات. ولاختبار قدرات الروبوت، طور الفريق خوارزمياته الخاصة للتصميم المشترك، بدمج طرق تحسين التصميم القياسية وأساليب التعلم العميق بالتعزيز (RL).
تعمل خوارزمية التصميم المشترك كثنائي قوي، حيث تطور طرق تحسين التصميم أجسام الروبوتات، بينما تحسن خوارزميات RL المتحكم (النظام الحاسوبي المتصل بالروبوت للتحكم في حركاته) وفق التصميم المقترح. يسأل تحسين التصميم: «ما مدى جودة أداء التصميم؟»، بينما يمنح تحسين التحكم تقييما قد يبدو مثل «خمسة للمشي».
تشبه النتيجة أولمبياد صغيرة للروبوتات. فإلى جانب المهام المعتادة كالمشي والقفز، أضاف الباحثون مهاما فريدة مثل التسلق والانقلاب والتوازن وصعود الدرج.
في أكثر من 30 بيئة مختلفة، أدت الروبوتات المهام البسيطة مثل المشي أو نقل الأجسام بامتياز، لكنها فشلت في الظروف الأكثر تعقيدا كالالتقاط والصعود، ما كشف حدود خوارزميات التصميم المشترك الحالية. فعلى سبيل المثال، أظهرت الروبوتات المحسنة أحيانا ما يسميه الفريق «الإحباط»، أي سلوكا غير أمثل واضحا في مهام كثيرة. فمثلا، كان روبوت الالتقاط كثيرا ما يقفز إلى الأمام لالتقاط كتلة تسقط خلفه.
رغم أن تصاميم الروبوتات تطورت بشكل مستقل من الصفر ودون معرفة مسبقة بخوارزميات التصميم المشترك، واتجهت نحو عمليات تطور أكثر، فإنها غالبا ما أصبحت شبيهة بالكائنات الطبيعية الموجودة، متفوقة على الروبوتات المصممة يدويا.
«عند إنشاء Evolution Gym، نسعى إلى توسيع حدود خوارزميات التعلم الآلي والذكاء الاصطناعي. فبإنشاء اختبار مرجعي واسع النطاق يركز على السرعة والبساطة، لا نخلق لغة مشتركة لتبادل الأفكار والنتائج في مجالي التعلم بالتعزيز والتصميم المشترك فحسب، بل نتيح للباحثين استخدام موارد الحوسبة الحديثة للمساهمة في تطوير الخوارزميات في هذه المجالات. نأمل أن يقربنا عملنا خطوة واحدة من مستقبل تكون فيه روبوتات ذكية مثلك أو مثلي»
في بعض الحالات، عندما تتعلم الروبوتات بالطريقة نفسها التي يتعلم بها البشر، قد تؤدي طريقة التجربة والخطأ إلى فهم أفضل للمهمة الكامنة وراء التعلم بالتعزيز. تعلمت الروبوتات أداء مهمة مثل دفع كتلة، عبر الحصول على معلومات تساعدها: مثلا، «رؤية» موقع الكتلة وشكل التضاريس المجاورة.
ثم يحصل الروبوت على تقييم لمدى جودة أدائه («مكافأة»). فكلما دفع الروبوت الكتلة أكثر، ارتفعت المكافأة. ويجب على الروبوت أن يوازن في الوقت نفسه بين الاستكشاف (ربما بسؤال نفسه: «هل أستطيع زيادة المكافأة بالقفز؟») والاستغلال (مواصلة دراسة السلوك الذي يزيد المكافأة).
كانت التركيبات المختلفة من «الخلايا» التي ابتكرتها الخوارزميات للتصاميم المختلفة فعالة للغاية، إذ تحول أحدها إلى ما يشبه حصانا يقفز ببنى شبيهة بالأرجل تحاكي ما يوجد في الطبيعة. وطور روبوت المتسلق يدين وبنيتين شبيهتين بالساقين (كالقرد) لمساعدته على الصعود. وكان روبوت الرافع يشبه قابضا ذا إصبعين.
من اتجاهات الأبحاث المستقبلية ما يسمى «التطور المورفولوجي»، حيث يصبح الروبوت أذكى تدريجيا مع اكتسابه الخبرة في حل مهام أكثر تعقيدا. فمثلا، ستبدأ بتحسين روبوت بسيط للمشي، ثم تأخذ التصميم نفسه وتحسنه لنقل الأشياء، ثم لصعود الدرج. ومع الوقت، يتحول جسم الروبوت ودماغه «ويتحولان» إلى شيء قادر على حل مهام أكثر تعقيدا مقارنة بالروبوتات المدربة مباشرة على المهام نفسها منذ البداية.
«Evolution Gym هي جزء من وعي متنام في مجتمع الذكاء الاصطناعي بأن الجسم والدماغ شريكان متساويان في دعم السلوك الذكي. ولا يزال هناك الكثير لإنجازه لمعرفة ما الذي يشكل هذه الشراكة. ومن المرجح أن تصبح صالة الألعاب الرياضية أداة مهمة في التعامل مع مثل هذه الأسئلة»
Evolution Gym مفتوح المصدر ومجاني للاستخدام. وقد تم ذلك عمدا، إذ يأمل الباحثون أن يلهم عملهم إنشاء خوارزميات جديدة ومحسنة لتصميم الأكواد.
