الروبوت المستقل يتعلم مهارات جديدة من خلال التدريب والتخطيط

البارحة، نشرت أخبار MIT قصة توضح أحد مشاريعهم البحثية الجديدة المتعلقة بالروبوتات. بالتحديد، قام الباحثون في MIT بتطوير نظام يتيح للروبوتات تعلم وتحسين مهاراتها بشكل مستقل من خلال الممارسة.

يُعرف هذا النظام باسم “تقدير، تExtrapolate، وتوضع” (EES)، يتيح للروبوتات اتخاذ القرار بشكل مستقل بشأن أي المهارات التي يجب ممارستها، كيفية ممارستها، وكيفية تحسين أدائها العام.

تتضمن الطريقة الخاصة بـ EES ثلاث خطوات رئيسية. أولاً، يقدر الروبوت كفاءة كل مهارة، معرفًا مدى احتمالية أن تحقق المهارة الأثر المرجو. بعد ذلك، يقوم بتقدير هذه الكفاءة من خلال التنبؤ بمدى تحسين الممارسة للمهارة.

أخيرًا، يضع الروبوت هذه الكفاءة المحسّنة في سياق أوسع لمهامه، مع تقييم كيف ستعود ممارسة مهارة معينة بالفائدة على أدائه الإجمالي. تتيح هذه الطريقة للروبوت التخطيط والتدريب على المهارات بشكل مستقل، دون الحاجة إلى إعادة تعيين البيئة أو التدخل البشري.

أظهرت الاختبارات في البيئات المحاكاة أن EES يتفوق بشكل كبير على الطرق الأخرى من حيث كفاءة العينة. هذا يعني أنه يتطلب محاولات تدريب أقل لتحقيق نفس مستوى الكفاءة.

كما تم تنفيذ النهج بنجاح في سيناريوهات العالم الحقيقي. في هذه الاختبارات، أظهر الروبوت القدرة على التعامل مع البيانات الضجيجية وتحسين أدائه مع مرور الوقت، بالرغم من مواجهته لتحديات مثل أخطاء الإدراك وفشل تنفيذ المهارات.

ومع ذلك، فإن النظام ليس خالياً من القيود. يواجه الروبوت في بعض الأحيان حالات طريق مسدود حيث لا يستطيع تحقيق أهدافه بسبب الظروف غير المتوقعة، مثل أن تصبح الأشياء غير قابلة للوصول إليها أو الأخطاء في الإدراك.

بالإضافة إلى ذلك، بعض المهارات عرضة للفشل التي لا يمكن حلها بالكامل من خلال الممارسة وحدها. هذه المشكلات تسلط الضوء على الحاجة للتنقيح المستمر والتطوير في أنظمة الروبوتات المستقلة.

بشكل عام، يمثل نهج EES تقدمًا هامًا في تعلم الروبوتات وقابليتها للتكيف، ممهدًا الطريق لأنظمة ذاتية القيادة أكثر تطورًا وقدرة. مع استمرار الباحثين في معالجة قيوده، يصبح الإمكان الواقعي للروبوتات لأداء المهام المعقدة بأقل تدخل بشري أكثر واقعية.