بيتر أبيل وكين جولدبيرج يتحدثان عن تطبيقات الذكاء الاصطناعي التوليدية

سوف أعترف بذلك لقد قمت بالتجول حول الموضوع قليلاً في Actuator نظرًا لشعبيته المفاجئة (اللعنة على آلهة تحسين محركات البحث). لقد كنت في هذا العمل لفترة طويلة بما يكفي لأشعر على الفور بالريبة من دورات الضجيج. ومع ذلك ، فهمت الأمر تمامًا هذه المرة.

في حين أنه من الصحيح أن الأشكال المختلفة للتعلم الآلي والذكاء الاصطناعي تؤثر في حياتنا كل يوم ، فإن ظهور ChatGPT وأمثاله يقدم شيئًا أكثر وضوحًا على الفور للشخص العادي. تعد كتابة بعض الأوامر في مربع حوار والحصول على مقال أو لوحة أو أغنية تجربة سحرية – خاصة بالنسبة لأولئك الذين لم يتابعوا تفاصيل هذه الأشياء لسنوات أو عقود.

إذا كنت تقرأ هذا ، فربما تكون على دراية بهذه المفاهيم قبل الاثني عشر شهرًا الماضية ، ولكن حاول أن تضع نفسك في مكان شخص يرى قصة إخبارية ، ويزور موقعًا ، ثم يبدو أنه من العدم ، خلق الفن. سيكون عقلك ، في كلمة واحدة ، في مهب. وهو محق في ذلك.

على مدار الأشهر القليلة الماضية ، قمنا بتغطية عدد قليل من القصص التوليدية المتعلقة بالذكاء الاصطناعي في Actuator. يأخذ فيديو الأسبوع الماضي أجيليتي باستخدام الذكاء الاصطناعي التوليدي لإخبار Digit بما يجب فعله بإشارة لفظية بسيطة. لقد بدأت أيضًا في التحدث إلى المؤسسين والباحثين حول التطبيقات المحتملة في الفضاء. تحول الشعور بسرعة كبيرة من “هذا أنيق” إلى “قد يكون هذا مفيدًا حقًا”.

كان التعلم ، بالطبع ، موضوعًا عملاقًا في مجال الروبوتات لعقود حتى الآن. يبدو أيضًا ، بشكل مناسب ، أنه المكان الذي يتجه إليه الكثير من أبحاث الذكاء الاصطناعي التوليدية المحتملة. ماذا لو ، على سبيل المثال ، يمكن للروبوت أن يتنبأ بجميع النتائج المحتملة بناءً على التعلم؟ أو ماذا عن التخلص من الكثير من الترميز الزائد عن طريق إخبار الروبوت ببساطة بما تريده أن يفعله؟ مثير ، أليس كذلك؟

عندما أكون مفتونًا بموضوع في الفضاء ، أفعل نفس الشيء دائمًا: العثور على أشخاص أكثر ذكاءً للتغلب على الأسئلة. لقد جعلني بعيدًا في الحياة. هذه المرة ، ضيوفنا المحظوظون هم زوج من أساتذة جامعة كاليفورنيا في بيركلي الذين علموني الكثير عن المساحة على مر السنين (أوصي بالحصول على عدد قليل من أجل رولوديكس الخاص بك).

بيتر أبيل هو مدير مختبر Berkeley Robot Learning Lab والمؤسس المشارك / الرئيس / كبير العلماء في Covariant ، التي تستخدم الذكاء الاصطناعي ومجموعات البيانات الثرية لتدريب اختيار الروبوتات. إلى جانب مساعدة Abbeel في إدارة BAIR (Berkeley AI Research Lab) ، يشغل كين غولدبرغ منصب الرئيس المتميز في الهندسة ويليام إس فلويد جونيور في المدرسة وكبير العلماء والمؤسس المشارك لشركة Ambi Robotics ، التي تستخدم الذكاء الاصطناعي والروبوتات لمعالجة فرز العبوات.

بيتر أبيل

لنبدأ بالسؤال الواسع حول كيف ترى أن الذكاء الاصطناعي التوليدي يتناسب مع عالم الروبوتات الأوسع.

هناك اتجاهان كبيران يحدثان في نفس الوقت. هناك اتجاه لنماذج الأساس واتجاه للذكاء الاصطناعي التوليدي. إنها متشابكة للغاية ، لكنها متميزة. النموذج الأساسي هو نموذج يتم تدريبه على الكثير من البيانات ، بما في ذلك البيانات التي قد تكون مرتبطة بشكل عرضي فقط بما يهمك. لكنها لا تزال مرتبطة. ولكن من خلال القيام بذلك ، فإنه يتحسن في الأشياء التي تهتم بها. بشكل أساسي ، جميع النماذج التوليدية هي نماذج أساسية ، ولكن هناك نماذج أساسية ليست نماذج ذكاء اصطناعي توليدية ، لأنها تفعل شيئًا آخر. يعتبر Covariant Brain نموذجًا أساسيًا ، بالطريقة التي تم إعدادها بها الآن. منذ اليوم الأول ، في عام 2017 ، قمنا بتدريب جميع العناصر التي يمكن أن نمر بها. ولكن في أي عملية نشر ، نهتم فقط ، على سبيل المثال ، بالإمدادات الكهربائية ، أو نهتم فقط بالملابس ، أو نهتم فقط بالبقالة فقط.

إنه تحول في النموذج. تقليديا ، كان الناس سيقولون ، “أوه ، إذا كنت ستفعل البقالة ، البقالة ، البقالة ، البقالة. هذا هو كل تدريبك ، شبكة عصبية تعتمد على البقالة. هذا ليس ما كنا نفعله. الأمر كله يتعلق بمطاردة الذيل الطويل للحالات الحادة. كلما شاهدت المزيد من الأشياء ، كان من الأفضل لك فهم حالة الحافة بشكل أفضل. سبب نجاحها هو أن الشبكات العصبية أصبحت كبيرة جدًا. إذا كنت تعلم أن الشبكات صغيرة ، فإن كل هذه الأشياء ذات الصلة العرضية ستزعج معرفتك بأهم الأشياء. لكن هناك الكثير الذي يمكنهم الاستمرار في امتصاصه. إنه مثل الإسفنج الضخم يستمر في امتصاص الأشياء. أنت لا تؤذي أي شيء بوضع هذه الأشياء الإضافية. أنت في الواقع تساعد أكثر قليلاً من خلال القيام بذلك.

كل شيء عن التعلم ، أليس كذلك؟ إنه شيء كبير يحاول الجميع اختراقه الآن. يتمثل النموذج الأساسي الأوسع في تدريبه على أكبر مجموعة بيانات ممكنة.

نعم ، لكن المفتاح ليس كبيرًا فقط. إنه متنوع للغاية. أنا لا أقوم فقط بمحلات البقالة. سأختار البقالة ، لكنني أيضًا أتدرب على جميع الأشياء الأخرى التي قد أختارها في مستودع آخر في نفس نموذج الأساس للحصول على فهم عام لجميع الأشياء ، وهي طريقة أفضل للتعلم ليس فقط عن البقالة . أنت لا تعرف أبدًا ما الذي سيظهر في مزيج تلك البقالة. سيكون هناك دائمًا عنصر جديد. ليس لديك كل شيء مغطى. لذلك ، تحتاج إلى التعميم على العناصر الجديدة. فرصتك في التعميم جيدًا على العناصر الجديدة ، يكون الاحتمال أكبر إذا قمت بتغطية مجموعة واسعة جدًا من الأشياء الأخرى.

كلما كانت الشبكة العصبية أكبر ، كلما فهمت العالم بشكل أكبر.

نعم. هذا حقا هو المفتاح. هذا هو ما سيفتح تطبيقات الروبوتات التي تعمل بالذكاء الاصطناعي ، سواء كان ذلك بالاختيار أو القيادة الذاتية وما إلى ذلك – إنها القدرة على استيعاب الكثير. ولكن إذا بدّلنا التروس وفكرنا في الذكاء الاصطناعي التوليدي على وجه التحديد ، فهناك شيء يمكنك تخيله يلعب دورًا فيه. إذا كنت تفكر في التوليد ، فماذا يعني ذلك مقارنة بالأجيال السابقة من الذكاء الاصطناعي؟ في جوهرها ، يعني أنها بيانات توليد. ولكن كيف يختلف ذلك عن إنشاء الملصقات؟ إذا أعطيته صورة وكتبت “قطة” ، فهذا أيضًا يولد البيانات. إنها فقط قادرة على توليد المزيد من البيانات. مرة أخرى ، هذا يتعلق بالشبكة العصبية. الشبكات العصبية أكبر ، مما يسمح لها ليس فقط بتحليل الأشياء الأكبر ، ولكن لتوليد أشياء أكبر بطريقة متسقة.

توجد عدة زوايا في علم الروبوتات. الأول هو بناء فهم أعمق للعالم. بدلاً من أن أقول ، “سأقوم بتسمية البيانات لتعليم الشبكة العصبية” ، يمكنني القول ، “سأقوم بتسجيل مقطع فيديو لما يحدث” ، ويحتاج نموذجي التوليدي إلى التنبؤ بالإطار التالي ، الإطار التالي ، الإطار التالي. ومن خلال إجبارها على فهم كيفية التنبؤ بالمستقبل ، أجبرها على فهم كيفية عمل العالم.

في كثير من الأحيان عندما أتحدث إلى الناس عن الأشكال المختلفة للتعلم ، تتم مناقشتها تقريبًا كما لو كانوا في صراع مع بعضهم البعض ، ولكن في هذه الحالة ، هناك نوعان مختلفان من التعلم يعملان بشكل فعال جنبًا إلى جنب.

نعم. ومرة أخرى ، نظرًا لأن الشبكات كبيرة جدًا ، فإننا ندرب الشبكات العصبية على التنبؤ بالأطر المستقبلية. من خلال القيام بذلك ، بالإضافة إلى تدريبهم على إخراج الإجراءات المثلى لمهمة معينة ، فإنهم يتعلمون بالفعل إخراج الإجراءات بشكل أسرع بكثير ، من بيانات أقل بكثير. أنت تكلفه بمهمتين ويتعلم كيفية القيام بالمهمة الواحدة ، لأن المهمتين مرتبطتان. إن التنبؤ بالإطار التالي هو تمرين تفكير صعب ، فأنت تجبره على التفكير أكثر من ذلك بكثير للتنبؤ بالأفعال التي تتنبأ بالأفعال بشكل أسرع بكثير.

فيما يتعلق بالتطبيق العملي في العالم الحقيقي – لنقل ، في بيئة صناعية ، تعلم كيفية حل شيء ما – كيف يمكن لتعلم التنبؤ بالشيء التالي أن يوجه عمله؟

هذا هو التقدم في العمل. لكن الفكرة هي أن هناك طرقًا مختلفة لتعليم الروبوت. يمكنك برمجته. يمكنك أن تعطيها مظاهرات. يمكن أن يتعلم من التعزيز ، حيث يتعلم من التجربة والخطأ. شهدت البرمجة حدودها. إنه لا يتجاوز حقًا ما رأيناه لفترة طويلة في مصانع السيارات.

لنفترض أنني كنت سيارة ذاتية القيادة. إذا كان الروبوت الخاص بي قادرًا على التنبؤ بالمستقبل في جميع الأوقات ، فيمكنه فعل شيئين. الأول هو أن يكون لديك فهم عميق للعالم ومع القليل من التعلم الإضافي ، اختر الإجراء الصحيح. بالإضافة إلى ذلك ، لديها خيار آخر. إذا أراد القيام بالكثير من العمل في الوقت الحالي ، يمكنه محاكاة السيناريوهات. يمكنه أيضًا محاكاة حركة المرور من حوله. هذا إلى أين يتجه هذا.

هذه هي جميع النتائج المحتملة التي يمكنني رؤيتها. هذه أفضل نتيجة ، سأفعل ذلك.

صحيح. هناك أشياء أخرى يمكننا القيام بها في الذكاء الاصطناعي التوليدي باستخدام الروبوتات. حصلت Google على بعض النتائج ، حيث ما قالوه ، ماذا لو قمنا بتجميع بعض الأشياء معًا. كان أحد أكبر التحديات التي تواجه الروبوتات هو التفكير عالي المستوى. هناك نوعان من التحديات: 1. كيف تقوم بالمهارة الحركية الفعلية و 2. ما الذي يجب عليك فعله في الواقع. إذا سألك أحدهم ، اجعلني بيضًا مقليًا ، فماذا يعني ذلك؟ وهنا يأتي دور نماذج الذكاء الاصطناعي التوليدية بطريقة مختلفة. إنهم مدربون مسبقًا. أبسط نسخة تستخدم اللغة فقط. عند صنع البيض المخفوق ، يمكنك تقسيمه إلى:

1. اذهب واحضر البيض من الثلاجة
2. احصل على مقلاة
3. احصل على الزبدة.

يمكن للروبوت أن يذهب إلى الثلاجة. قد يسأل ماذا يفعل بالثلاجة ، ثم يقول النموذج:

1. اذهب إلى الثلاجة
2. أخرج الشيء من الثلاجة

كان كل شيء في الروبوتات تقليديًا هو التخطيط المنطقي أو المهم ، وعلى الأشخاص الذين يتعين عليهم برمجته بطريقة ما أن يصفوا العالم من حيث العبارات المنطقية التي تأتي بعد بعضها البعض بطريقة أو بأخرى ، وهكذا دواليك. يبدو أن النماذج اللغوية نوعًا ما تعتني بها بطريقة جميلة. هذا غير متوقع لكثير من الناس.

كين جولدبيرج

كيف ترى إمكانات الذكاء الاصطناعي التوليدية في الروبوتات؟

المفهوم الأساسي هنا هو المحول. شبكة المحولات مثيرة للاهتمام للغاية ، لأنها تبحث في التسلسلات. إنه قادر بشكل أساسي على أن يصبح جيدًا جدًا في التنبؤ بالعنصر التالي. إنه جيد بشكل مذهل في ذلك. إنه يعمل مع الكلمات ، لأن لدينا عددًا صغيرًا نسبيًا من الكلمات في اللغة الإنجليزية. في أحسن الأحوال ، فإن قاموس أوكسفورد الإنجليزي على ما أعتقد يضم حوالي نصف مليون. ولكن يمكنك الحصول على أقل من ذلك بكثير. ولديك الكثير من الأمثلة ، لأن كل سلسلة نصية تعطيك مثالاً على الكلمات وكيف يتم تجميعها معًا. إنها بقعة جميلة جميلة. يمكنك عرض الكثير من الأمثلة ، ولديك خيارات قليلة نسبيًا للقيام بها في كل خطوة. اتضح أنه يمكن التنبؤ بذلك بشكل جيد للغاية.

وينطبق الشيء نفسه على تسلسل الأصوات ، لذلك يمكن استخدام هذا أيضًا لمعالجة الصوت والتنبؤ به. يمكنك تدريبه بشكل مشابه جدًا. بدلاً من الكلمات ، لديك تسلسلات من الأصوات القادمة. أنت تعطيها الكثير من أوتار الموسيقى أو الصوت ، وبعد ذلك سيكون قادرًا على التنبؤ بإشارة الصوت أو الصوت التالي. يمكن استخدامه أيضًا للصور. لديك سلسلة من الصور ويمكن استخدامها للتنبؤ بالصورة التالية.

كان بيتر يتحدث عن استخدام الفيديو للتنبؤ بما سيحدث في الإطار التالي. كان الأمر أشبه بجعل الروبوت يفكر بالفيديو.

نوع من ، نعم. إذا كان بإمكانك الآن توقع الفيديو التالي ، فإن الشيء التالي الذي يمكنك إضافته هناك هو عنصر التحكم. إذا أضفت سيطري هناك ، يمكنني توقع ما سيحدث إذا قمت بإجراء A أو B. يمكنني إلقاء نظرة على جميع أفعالي واختيار الإجراء الذي يجعلني أقرب إلى ما أريد رؤيته. الآن أريد أن أنقله إلى المستوى التالي ، حيث أنظر إلى المشهد التالي ولدي فوكسل. لدي هذه الأحجام ثلاثية الأبعاد. أريد أن أتدرب عليه وأقول ، “ها هو المجلد الحالي ، وهذا هو الحجم الذي أريد الحصول عليه. ما هي الإجراءات التي يتعين علي القيام بها للوصول إلي هناك؟ “

عندما تتحدث عن الأحجام ، هل تقصد أين يوجد الروبوت في الفضاء؟

نعم ، أو حتى ما يحدث أمامك. إذا كنت ترغب في تنظيف الأطباق أمامك ، فإن الحجم هو المكان الذي توجد فيه كل تلك الأطباق. ثم تقول ، “ما أريده هو طاولة خالية مع عدم وجود أي من تلك الأطباق عليها.” هذا هو الحجم الذي أريد الوصول إليه ، لذا علي الآن أن أجد تسلسل الإجراءات التي ستنتقل من الحالة الأولية ، وهو ما أبحث عنه الآن ، إلى الحالة النهائية ، حيث لم يعد لدي أي أطباق بعد الآن .

استنادًا إلى مقاطع الفيديو التي تم تدريب الروبوت عليها ، يمكنه استقراء ما يجب القيام به.

من حيث المبدأ ، ولكن ليس من مقاطع فيديو لأشخاص. هذا إشكالي. تم تصوير مقاطع الفيديو هذه من زاوية غريبة. أنت لا تعرف ما هي الحركات التي يقومون بها. يصعب على الروبوت معرفة ذلك. ما تفعله هو في الأساس أن يكون الروبوت يتعلم ذاتيًا من خلال امتلاك الكاميرا. الروبوت يجرب الأشياء ويتعلم مع مرور الوقت.

تستند الكثير من التطبيقات التي أسمع عنها حول التواصل اللغوي و. أنت تقول شيئًا ، الروبوت قادر على تحديد ما تقصده وتنفيذه في الوقت الفعلي.

هذا شيء مختلف. لدينا الآن أداة يمكنها التعامل مع اللغة بشكل جيد للغاية. والمثير في الأمر أنه يتيح لك الوصول إلى دلالات المشهد. قامت ورقة مشهورة جدًا من Google بما يلي: لديك روبوت وتقول “لقد سكبت شيئًا ما ، وأحتاج إلى المساعدة لتنظيفه”. عادة لا يعرف الروبوت ماذا يفعل بهذا ، ولكن الآن لديك لغة. تقوم بتشغيل ذلك في ChatGPT وينتج عنه: “احصل على إسفنجة. احصل على منديل. احصل على قطعة قماش. ابحث عن العلبة المنسكبة ، وتأكد من قدرتها على التقاطها “. كل تلك الأشياء يمكن أن تخرج. ما يفعلونه هو بالضبط: يأخذون كل هذا الناتج ويقولون ، “هل هناك إسفنجة حولها؟ اسمحوا لي أن أبحث عن إسفنجة “.

الاتصال بين دلالي العالم – انسكاب واسفنجة – ChatGPT جيد جدًا في ذلك. هذا يملأ الفجوة التي كانت لدينا دائمًا. إنها تسمى مشكلة العالم المفتوح. قبل ذلك ، كان علينا أن نبرمج في كل شيء سيواجهه. الآن لدينا مصدر آخر يمكنه إجراء هذه الروابط التي لم نتمكن من إجرائها من قبل. هذا رائع جدا. لدينا مشروع يسمى مجال إشعاع اللغة المضمن. انها العلامة التجارية الجديدة. إنها كيفية استخدام تلك اللغة لمعرفة مكان التقاط الأشياء. نقول ، “هذا فنجان. التقطه بالمقبض “، ويبدو أنه قادر على تحديد مكان المقبض. انها مثيرة للاهتمام حقا.

من الواضح أنك أشخاص أذكياء جدًا وتعرف الكثير عن الذكاء الاصطناعي التوليدي ، لذلك أشعر بالفضول من أين تأتي المفاجأة.

نتفاجأ دائمًا عندما تقوم هذه الأنظمة بأشياء لم نتوقعها. هذا هو الوقت الذي تكون فيه الروبوتات في أفضل حالاتها ، وعندما تقوم بإعدادها ، وتقوم فجأة بعمل شيء ما.

يفعل الشيء الصحيح لمرة واحدة.

بالضبط! هذه دائمًا مفاجأة في علم الروبوتات!

بوستسكريبت

جزء آخر من الذكاء الاصطناعي التوليدي قبل أن ننتقل للأسبوع. الباحثون في جامعة EPFL السويسرية هم تسليط الضوء على الروبوتات التي تصنع الروبوتات. تم تذكيرنا على الفور بـ RepRap ، مما أدى إلى ظهور مساحة الطباعة ثلاثية الأبعاد لسطح المكتب. بدأ المشروع في عام 2005 ، وبدأ بمهمة إنشاء “أول آلة تصنيع ذاتية التكرار للأغراض العامة للإنسانية”. على نحو فعال ، كان الهدف هو إنشاء طابعة ثلاثية الأبعاد يمكنها الطباعة ثلاثية الأبعاد بنفسها.

بالنسبة لهذا المشروع ، استخدم الباحثون ChatGPT لإنشاء تصميم لروبوت اختيار المنتج. يقترح الفريق أن النماذج اللغوية “يمكن أن تغير الطريقة التي نصمم بها الروبوتات ، مع إثراء العملية وتبسيطها”.

يضيف جوزي هيوز ، رئيس مختبر تصميم وتصنيع الروبوتات الحاسوبية ، “على الرغم من أن Chat-GPT هو نموذج لغوي وأن إنشاء الكود الخاص به قائم على النص ، إلا أنه قدم رؤى كبيرة وحدسًا للتصميم المادي ، وأظهر إمكانات كبيرة كلوحة صوت لتحفيز الإبداع البشري “.

بعض الإبادة الخفيفة لذبابة الفانوس

زوج من الأبحاث المثيرة للاهتمام مع بعض الحمض النووي المشترك عبر مكتبي أيضًا هذا الأسبوع. يعرف أي شخص رأى ذبابة الفانوس المرقطة بنفسه كم يمكن أن تكون جميلة. حشرة الصين الأصلية ترفرف حول الأجنحة التي تومض لمساحات حادة من الأحمر والأزرق. ومع ذلك ، يعرف أي شخص رأى ذبابة فانوس مرقطة على الساحل الشرقي للولايات المتحدة أنها من الأنواع الغازية. هنا في نيويورك ، هناك واجب على مستوى الولاية لتدمير اللعابين تحت القيادة.

تم تصميم معهد CMU Robotics ترتان بيست كجزء من تحدي Farm-ng’s Farm Robotics. يتميز النظام بذراع آلية مثبتة فوق جرار زراعي مصمم لاكتشاف ورش كتل بيض الفانوس – للقضاء على الحشرات قبل أن تفقس. الروبوت ، “يستخدم نموذج التعلم العميق المنقح على مجموعة بيانات الصورة المعززة التي تم إنشاؤها من 700 صورة لكتل ​​بيض الفانوس المرقط من iNaturalist للتعرف عليها وكشطها عن الأسطح.

للسجل ، لا مكان في قوانين الروبوتات Asimov هي ذبابة الفانوس المذكورة.

إعادة التحريج

في غضون ذلك ، عرضت ABB هذا الأسبوع ما تسميه “أبعد روبوت في العالم.” نتاج تعاون مع مجموعة JungleKeepers غير الربحية ، يستخدم النظام بشكل فعال ذراع ABB لأتمتة جمع البذور وزرعها وسقيها في محاولة لتعزيز إعادة التحريج.

هناك سؤال مفتوح كبير حول الفعالية وقابلية التوسع ، وهذه بالتأكيد لعبة علاقات عامة رائعة من عملاق الأتمتة ، ولكن إذا كان هذا الشيء يمكن أن يحقق تقدمًا بسيطًا وسط إزالة الغابات بسرعة ، فأنا جميعًا مع ذلك.

سترات للروبوتات

مشروع CMU آخر فاتني قبل أسبوعين. روبوت سترة ليس كنزة روبوتية ، بل هو روبوت في سترة (قد يكون SweaterRobot أكثر ملاءمة). بغض النظر ، يستخدم النظام المنسوجات المحبوكة كبشرة حساسة للمس. لكل مدرسة:

بمجرد الحياكة ، يمكن استخدام القماش لمساعدة الروبوت على “الشعور” عندما يلمسه الإنسان ، لا سيما في بيئة صناعية حيث تكون السلامة أمرًا بالغ الأهمية. تبدو الحلول الحالية للكشف عن التفاعل بين الإنسان والروبوت في الصناعة وكأنها دروع وتستخدم مواد شديدة الصلابة لا يلاحظها ليو أن تغطي جسم الروبوت بالكامل لأن بعض الأجزاء تحتاج إلى التشوه.

بمجرد ربطه بالروبوت (في هذه الحالة ، ذراع صناعي) ، يمكن للمنسوجات الإلكترونية أن تستشعر قوة اللمس واتجاهه وتوزيعه ، والحساسيات التي يمكن أن تساعد هذه الأنظمة على العمل بشكل أكثر أمانًا جنبًا إلى جنب مع الناس.

يقول CMU: “في بحثهم ، أظهر الفريق أن الضغط على روبوت مصاحب مُجهز في RobotSweater أخبره عن طريقة التحرك أو الاتجاه الذي يجب أن يدير رأسه”. “عند استخدامه على ذراع روبوت ، سمح RobotSweater بدفع يد الشخص لتوجيه حركة الذراع ، في حين أن الإمساك بالذراع يخبره بفتح أو إغلاق القابض.”

اوريغامي الروبوت

تتويجًا لإصدار بحث ثقيل للغاية من Actuator – والعودة مرة أخرى إلى EPFL في سويسرا – هو موري 3. يتكون الروبوت الصغير من زوج من المثلثات التي يمكن أن تتشكل في أشكال مختلفة.

“هدفنا مع Mori3 هو إنشاء روبوت معياري يشبه الأوريجامي يمكن تجميعه وتفكيكه حسب الرغبة حسب البيئة والمهمة في متناول اليد ،” مدير مختبر الروبوتات القابل لإعادة التشكيل ، جيمي بايك. “يمكن لـ Mori3 تغيير حجمه وشكله ووظيفته.”

يستذكر النظام الكثير من الأعمال الرائعة التي تحدث بشكل متزامن في المجالات المتقاطعة في كثير من الأحيان للروبوتات المعيارية والأوريغامية. تتواصل الأنظمة مع بعضها البعض وترتبط لتشكيل أشكال معقدة. يستهدف الفريق السفر إلى الفضاء كتطبيق أساسي لهذه التكنولوجيا الناشئة. يسهل تصميمها الصغير المسطح حزمها على المكوك أكثر من الروبوت المجمّع مسبقًا. ولنكن صادقين ، لا أحد يريد قضاء الكثير من الوقت في تجميع الروبوتات معًا مثل أثاث Ikea بعد تفجيرها.

يقول بايك: “يمكن استخدام الروبوتات متعددة الأضلاع والمتعددة الأشكال التي تتصل ببعضها البعض لإنشاء هياكل مفصلية بشكل فعال لمجموعة متنوعة من التطبيقات”. “بالطبع ، سيكون الروبوت متعدد الأغراض مثل Mori3 أقل فعالية من الروبوتات المتخصصة في مناطق معينة. ومع ذلك ، فإن أكبر نقطة بيع في Mori3 هي تنوعها “.

3 … 2 … 1 … نحن لديك مشغل.