باحثو MIT يبتكرون نظامًا يتيح للروبوتات تحديد تسميات الأجسام غير الموثوقة في ذاكرتها وإصلاحها
أعلن باحثون في معهد ماساتشوستس للتكنولوجيا عن تطوير نظام ذاكرة يحدد الأخطاء المحتملة في أوصاف الأجسام المخزنة لدى الروبوت ويصححها، وذلك وفق ما ذكرته MIT News في 5 نوفمبر.
يُسمى النظام UQ-DAAAM، وهو اختصار لعبارة «تقدير عدم اليقين لوصف أي شيء، في أي مكان، وفي أي لحظة». وقال الفريق إن النظام قد يساعد في نهاية المطاف الروبوتات المنزلية أو الصناعية على إنجاز مهام معقدة متعددة الخطوات، مثل تنظيف طاولة الطعام أو مساعدة الناس في تجميع الآلات.
المشكلة: ذكريات خاطئة تستمر
تبني UQ-DAAAM على نظام المجموعة السابق، DAAAM. يستخدم ذلك النظام نموذج رؤية-لغة، وهو نموذج ذكاء اصطناعي يربط الصور بالنص، لوصف الأجسام التي تراها كاميرات الروبوت المدمجة. تُحفظ الأوصاف كتسميات توضيحية في خريطة ثلاثية الأبعاد للبيئة يمكن للروبوت الاستعلام عنها لاحقًا.
قال الباحثون إن الروبوت قد يرى الجسم جزئيًا، أو من مسافة بعيدة، أو في صورة غير واضحة أو خافتة، ولذلك قد يصفه DAAAM بشكل خاطئ. ومن الأمثلة التي ذُكرت مدخنة رمادية حُسبت خطأً على أنها سنجاب فوق سطح منزل.
«دون وسيلة لتصحيح نفسه، ستستمر هذه الذاكرة الخاطئة مع تحرك الروبوت في بيئته، وقد تؤثر في التطبيقات اللاحقة،»
كيفية عمل التصحيح
أثناء تحرك الروبوت، يجمع صورًا كثيرة للأجسام نفسها من زوايا مختلفة. وبحسب MIT، يحسب UQ-DAAAM أولًا مستوى ثقة النموذج في الكلمات التي أنتجها لوصف الجسم، ثم يتحقق من مدى اتساق هذا الوصف مع التسميات التوضيحية للجسم نفسه من نقاط رؤية أخرى.
«نحن ندمج مصدري عدم اليقين في رقم واحد يعبّر عن مدى يقين نموذج الرؤية-اللغة من فهمه الشامل للجسم،»
إذا تجاوز هذا الرقم عتبة معينة، يختار النظام صورًا إضافية باستخدام قاعدة بسيطة، أو خوارزمية استدلالية. وقال الباحثون إنهم أثبتوا رياضيًا أن هذه القاعدة قادرة على تحديد أفضل الإطارات دون إعادة تشغيل نموذج الرؤية-اللغة، مما يقلل الحوسبة بشكل كبير. ثم يدمج نموذج لغوي كبير التسميات المختارة في وصف واحد، مع منح وزن أكبر للتسميات الأحدث والأقل غموضًا.
النتائج المعلنة
قالت MIT إن خطوة التحسين تحل الغموض لنحو 92 في المئة من الأجسام في بيئة الروبوت، مع الحاجة إلى تسميتين توضيحيتين إضافيتين فقط لكل جسم. ورفعت دقة أوصاف الأجسام بنسبة 5 في المئة مقارنةً بأحدث التقنيات، وفقًا للتقرير.
وبالمقارنة مع الأساليب المرجعية، أعطى النظام أيضًا إجابات أدق عن الأجسام التي رصدها الروبوت، وأين رآها، ومتى صادفها آخر مرة، وفقًا لـ MIT.
«على عكس ChatGPT، عندما نفكر في الذكاء الاصطناعي المادي، لا يكفي مجرد وضع تنبيه يحذر من أن الروبوت قد يكون مخطئًا أحيانًا. فجعل الروبوت يعرف ما لا يعرفه أمر أساسي لنشر هذه التقنية بأمان وأن يكون لها أثر إيجابي على المجتمع،»
الخطوات التالية
كارلوني هو المؤلف الرئيسي للورقة، ويشارك في التأليف الرئيسي كل من تشانغ ونيكولاس غورلو. وستُعرض الدراسة في مؤتمر أنظمة معالجة المعلومات العصبية.
يخطط الفريق لاستخدام UQ-DAAAM لتوجيه أنواع أخرى من الروبوتات، مثل المناولات المتنقلة، وتطبيق تقنيات عدم اليقين في مجالات أخرى. كما يدرس كيف يمكن للنظام توجيه الروبوتات إلى مناطق ذات عدم يقين مرتفع لإعادة زيارتها، ويبحث في طرق عدم اليقين للأنظمة التي تتنبأ بكيفية تغير محيط الروبوت. وجاء جزء من التمويل من مختبر أبحاث الجيش الأمريكي ومكتب البحوث البحرية الأمريكي، وفقًا لـ MIT.
المصادر
- تنظيف ذاكرة الروبوت الضبابية — MIT News | معهد ماساتشوستس للتكنولوجيا
