مُحسِّن جديد من معهد ماساتشوستس للتكنولوجيا لتحسين أي نظام آلي مستقل
طور مهندسو معهد ماساتشوستس للتكنولوجيا أداة تصميم عامة لعلماء الروبوتات لاستخدامها كنوع من الوصفات الآلية للنجاح. يمكن تطبيق رمز التحسين الخاص بهم على عمليات محاكاة أي نظام آلي مستقل تقريبًا ويمكن استخدامه لتحديد كيفية ومكان تعديل النظام تلقائيًا لتحسين أداء الروبوت.
يمكن لمُحسِّن جديد للأغراض العامة تسريع تصميم الأنظمة المستقلة بما في ذلك روبوتات المشي والمركبات ذاتية القيادة.
منذ مكنسة Roomba شديدة الحساسية، قطعت الروبوتات المستقلة شوطًا طويلاً. في السنوات الأخيرة، تم نشر أنظمة الذكاء الاصطناعي في السيارات ذاتية القيادة، وتعبئة المستودعات، وفحص المرضى، وتوصيل الطعام في آخر ميل، وتنظيف المستشفيات، وخدمة المطاعم، وإعداد الوجبات، وأمن المبنى.
كل من هذه الأنظمة الروبوتية هو نتاج عملية تصميم مخصصة محددة لهذا النظام بعينه. هذا يعني أنه عند تصميم روبوت مستقل، يجب على المهندسين تشغيل عدد لا يحصى من عمليات محاكاة التجربة والخطأ، والتي غالبًا ما تكون مدروسة بالحدس. تم تصميم هذه المحاكاة لتناسب مكونات ومهام روبوت معين، من أجل ضبط أدائه وتحسينه. يشبه تصميم روبوت مستقل اليوم، في بعض النواحي، خبز كعكة من الصفر، بدون وصفة أو مزيج مُعد لضمان نتيجة ناجحة.
يمكن لأداة تحسين جديدة للأغراض العامة تحسين أداء العديد من الأنظمة الروبوتية المستقلة. يظهر هنا عرض توضيحي للأجهزة تقوم فيه الأداة تلقائيًا بتحسين أداء روبوتين يعملان معًا لتحريك صندوق ثقيل. الائتمان: بإذن من الباحثين
الآن، طور المهندسون في معهد ماساتشوستس للتكنولوجيا أداة تصميم عامة لعلماء الروبوتات لاستخدامها كنوع من الوصفات الآلية للنجاح. ابتكر الفريق كود التحسين الذي يمكن تطبيقه على محاكاة أي نظام آلي مستقل تقريبًا ويمكن استخدامه لتحديد كيفية ومكان تعديل النظام تلقائيًا لتحسين أداء الروبوت.
أظهر المهندسون أن الأداة كانت قادرة على تحسين أداء نظامين مستقلين للغاية مختلفين بسرعة: أحدهما يتنقل فيه الروبوت في مسار بين عائقين، والآخر يعمل فيه زوجان من الروبوتات معًا لتحريك صندوق ثقيل.
تأمل المجموعة أن يساعد مُحسِّن الأغراض العامة الجديد في تسريع تطوير مجموعة واسعة من الأنظمة المستقلة، من الروبوتات التي تسير والمركبات ذاتية القيادة، إلى الروبوتات اللينة والبراعة، وفرق الروبوتات التعاونية.
قدم الباحثون، المؤلفون من تشارلز داوسون ، طالب دراسات عليا في معهد ماساتشوستس للتكنولوجيا، وتشوتشو فان، الأستاذ المساعد في قسم الملاحة الجوية والفضائية بمعهد ماساتشوستس للتكنولوجيا، نتائجهم في المؤتمر السنوي للروبوتات: العلوم والأنظمة في نيويورك.
تصميم مقلوب
أدرك داوسون وفان الحاجة إلى أداة تحسين عامة بعد ملاحظة ثروة من أدوات التصميم الآلي المتاحة للتخصصات الهندسية الأخرى.
يقول داوسون: “إذا أراد مهندس ميكانيكي تصميم توربين هوائي، فيمكنه استخدام أداة CAD ثلاثية الأبعاد لتصميم الهيكل، ثم استخدام أداة تحليل العناصر المحدودة للتحقق مما إذا كان سيقاوم أحمالًا معينة”. “ومع ذلك، هناك نقص في أدوات التصميم بمساعدة الكمبيوتر للأنظمة المستقلة.”
عادةً ما يقوم عالم الروبوتات بتحسين النظام المستقل من خلال تطوير محاكاة للنظام والعديد من الأنظمة الفرعية المتفاعلة، مثل التخطيط والتحكم والإدراك ومكونات الأجهزة. يجب عليها بعد ذلك ضبط معلمات معينة لكل مكون وتشغيل المحاكاة إلى الأمام لمعرفة كيفية أداء النظام في هذا السيناريو.
فقط بعد تشغيل العديد من السيناريوهات من خلال التجربة والخطأ، يمكن لرجل الروبوت تحديد التركيبة المثلى للمكونات لتحقيق الأداء المطلوب. إنها عملية شاقة، ومفصلة بشكل مفرط، وتستغرق وقتًا طويلاً، حيث سعى داوسون وفان إلى قلب رأسها.
“بدلاً من أن نقول،” في ضوء التصميم، ما هو الأداء؟ ” أردنا قلب هذا لنقول، “بالنظر إلى الأداء الذي نريد رؤيته، ما هو التصميم الذي يقودنا إلى هناك؟” يشرح داوسون.
طور الباحثون إطار عمل للتحسين، أو رمز كمبيوتر، يمكنه تلقائيًا العثور على التعديلات التي يمكن إجراؤها على نظام مستقل قائم لتحقيق النتيجة المرجوة.
يعتمد قلب الكود على التمايز التلقائي، أو “autodiff”، وهي أداة برمجة تم تطويرها داخل مجتمع التعلم الآلي واستخدمت في البداية لتدريب الشبكات العصبية. Autodiff هي تقنية يمكنها بسرعة وكفاءة “تقييم المشتق” أو الحساسية لتغيير أي معلمة في برنامج كمبيوتر. اعتمد Dawson و Fan على التطورات الحديثة في برمجة autodiff لتطوير أداة تحسين للأغراض العامة للأنظمة الروبوتية المستقلة.
يقول داوسون: “تخبرنا طريقتنا تلقائيًا كيفية اتخاذ خطوات صغيرة من التصميم الأولي إلى التصميم الذي يحقق أهدافنا”. “نحن نستخدم autodiff بشكل أساسي للبحث في الشفرة التي تحدد المحاكي، ومعرفة كيفية القيام بهذا الانعكاس تلقائيًا.”
بناء روبوتات أفضل
اختبر الفريق أداتهم الجديدة على نظامين آليين منفصلين، وأظهروا أن الأداة حسنت أداء كل نظام بسرعة في التجارب المعملية، مقارنة بأساليب التحسين التقليدية.
يتألف النظام الأول من روبوت بعجلات مكلف بتخطيط مسار بين عائقين، بناءً على الإشارات التي تلقاها من اثنين من المنارات الموضوعة في مواقع منفصلة. سعى الفريق إلى إيجاد الموضع الأمثل للمنارات التي من شأنها أن تسفر عن مسار واضح بين العوائق.
ووجدوا أن المُحسِّن الجديد يعمل بسرعة من خلال محاكاة الروبوت وحدد أفضل موضع للإشارات في غضون خمس دقائق، مقارنة بـ 15 دقيقة للطرق التقليدية.
كان النظام الثاني أكثر تعقيدًا، حيث كان يتألف من روبوتات ذات عجلتين تعمل معًا لدفع صندوق نحو الموضع المستهدف. تضمنت محاكاة هذا النظام العديد من الأنظمة الفرعية والمعلمات. ومع ذلك، حددت أداة الفريق بكفاءة الخطوات اللازمة للروبوتات لتحقيق هدفها، في عملية تحسين كانت أسرع 20 مرة من الأساليب التقليدية.
يقول فان: “إذا كان نظامك يحتوي على المزيد من المعلمات لتحسينها، فيمكن لأداتنا أن تعمل بشكل أفضل ويمكن أن توفر المزيد من الوقت بشكل كبير”. “إنه خيار اندماجي في الأساس: كلما زاد عدد المعلمات، زادت الاختيارات، ويمكن لنهجنا تقليل ذلك في لقطة واحدة.”
قام الفريق بإتاحة المحسن العام للتنزيل، ويخطط لزيادة تحسين الكود لتطبيقه على أنظمة أكثر تعقيدًا، مثل الروبوتات المصممة للتفاعل مع البشر والعمل معهم.
يقول داوسون: “هدفنا هو تمكين الناس من بناء روبوتات أفضل”. “نحن نقدم لبنة جديدة لتحسين نظامهم، حتى لا يضطروا إلى البدء من نقطة الصفر.”
المصدر: scitechdaily
شاهد المزيد:
