റോബോട്ടുകൾ എങ്ങനെയാണ് AI ഉപയോഗിക്കുന്നത്? [വീഡിയോയും ക്വിസും]

ചുരുക്ക ഉത്തരം: റോബോട്ടുകൾക്ക് സെൻസിംഗ്, മനസ്സിലാക്കൽ, ആസൂത്രണം, പ്രവർത്തനം, പഠനം എന്നിവയുടെ തുടർച്ചയായ ഒരു ലൂപ്പ് പ്രവർത്തിപ്പിക്കാൻ AI ഉപയോഗിക്കുന്നു, അതുവഴി അവയ്ക്ക് അലങ്കോലമായ, മാറിക്കൊണ്ടിരിക്കുന്ന പരിതസ്ഥിതികളിൽ സുരക്ഷിതമായി സഞ്ചരിക്കാനും പ്രവർത്തിക്കാനും കഴിയും. സെൻസറുകൾ ശബ്ദമുണ്ടാക്കുമ്പോഴോ ആത്മവിശ്വാസം കുറയുമ്പോഴോ, നന്നായി രൂപകൽപ്പന ചെയ്ത സിസ്റ്റങ്ങൾ ഊഹിക്കുന്നതിനുപകരം വേഗത കുറയ്ക്കുന്നു, സുരക്ഷിതമായി നിർത്തുന്നു, അല്ലെങ്കിൽ സഹായം ചോദിക്കുന്നു.

പ്രധാന കാര്യങ്ങൾ:

സ്വയംഭരണ ലൂപ്പ്: ഒരൊറ്റ മാതൃകയ്ക്ക് പകരം, ഇന്ദ്രിയങ്ങൾക്ക് ചുറ്റും സംവിധാനങ്ങൾ നിർമ്മിക്കുക - മനസ്സിലാക്കുക - ആസൂത്രണം ചെയ്യുക - പ്രവർത്തിക്കുക - പഠിക്കുക.

ദൃഢത: തിളക്കം, അലങ്കോലങ്ങൾ, വഴുക്കൽ, പ്രവചനാതീതമായി ആളുകൾ നീങ്ങുന്നത് എന്നിവയ്‌ക്കായുള്ള രൂപകൽപ്പന.

അനിശ്ചിതത്വം: ആത്മവിശ്വാസം പുറത്തുവിടുകയും അത് സുരക്ഷിതവും കൂടുതൽ യാഥാസ്ഥിതികവുമായ പെരുമാറ്റത്തിന് പ്രേരിപ്പിക്കുന്നതിന് ഉപയോഗിക്കുകയും ചെയ്യുക.

സുരക്ഷാ ലോഗുകൾ: പ്രവർത്തനങ്ങളും സന്ദർഭവും രേഖപ്പെടുത്തുക, അതുവഴി പരാജയങ്ങൾ ഓഡിറ്റ് ചെയ്യാനും പരിഹരിക്കാനും കഴിയും.

ഹൈബ്രിഡ് സ്റ്റാക്ക്: വിശ്വാസ്യതയ്ക്കായി ML-നെ ഭൗതികശാസ്ത്ര നിയന്ത്രണങ്ങളുമായും ക്ലാസിക്കൽ നിയന്ത്രണവുമായും സംയോജിപ്പിക്കുക.

റോബോട്ടുകൾ ഫലപ്രദമായി പ്രവർത്തിക്കുന്നതിന് അവയ്ക്കുള്ളിൽ AI എങ്ങനെ പ്രത്യക്ഷപ്പെടുന്നു എന്നതിന്റെ ഒരു അവലോകനം ചുവടെയുണ്ട്.

ഇതിനു ശേഷം നിങ്ങൾക്ക് വായിക്കാൻ ഇഷ്ടപ്പെട്ടേക്കാവുന്ന ലേഖനങ്ങൾ:

🔗 എലോൺ മസ്‌കിന്റെ റോബോട്ടുകൾ തൊഴിലുകൾക്ക് ഭീഷണിയാകുമ്പോൾ
ടെസ്‌ലയുടെ റോബോട്ടുകൾക്ക് എന്തുചെയ്യാൻ കഴിയും, ഏതൊക്കെ റോളുകൾ മാറിയേക്കാം.

🔗 എന്താണ് ഹ്യൂമനോയിഡ് റോബോട്ട് AI?
ഹ്യൂമനോയിഡ് റോബോട്ടുകൾ നിർദ്ദേശങ്ങൾ എങ്ങനെ മനസ്സിലാക്കുന്നു, ചലിക്കുന്നു, പിന്തുടരുന്നു എന്ന് മനസ്സിലാക്കുക.

🔗 ഏതൊക്കെ ജോലികളെയാണ് AI മാറ്റിസ്ഥാപിക്കുക?
ഓട്ടോമേഷന് ഏറ്റവും കൂടുതൽ വിധേയമാകുന്ന റോളുകളും മൂല്യവത്തായി തുടരുന്ന കഴിവുകളും.

🔗 കൃത്രിമബുദ്ധി ജോലികളും ഭാവിയിലെ കരിയറുകളും
ഇന്നത്തെ AI കരിയർ പാതകളും AI തൊഴിൽ പ്രവണതകളെ എങ്ങനെ പുനർനിർമ്മിക്കുന്നു എന്നതും.

റോബോട്ടുകൾ എങ്ങനെയാണ് AI ഉപയോഗിക്കുന്നത്? ഒരു ദ്രുത മാനസിക മാതൃക

മിക്ക AI- പ്രാപ്തമാക്കിയ റോബോട്ടുകളും ഇതുപോലുള്ള ഒരു ലൂപ്പ് പിന്തുടരുന്നു:

• സെൻസ് 👀: ക്യാമറകൾ, മൈക്രോഫോണുകൾ, ലിഡാർ, ഫോഴ്‌സ് സെൻസറുകൾ, വീൽ എൻകോഡറുകൾ മുതലായവ.

• മനസ്സിലാക്കുക 🧠: വസ്തുക്കളെ കണ്ടെത്തുക, സ്ഥാനം കണക്കാക്കുക, സാഹചര്യങ്ങൾ തിരിച്ചറിയുക, ചലനം പ്രവചിക്കുക.

• പ്ലാൻ 🗺️: ലക്ഷ്യങ്ങൾ തിരഞ്ഞെടുക്കുക, സുരക്ഷിത പാതകൾ കണക്കാക്കുക, ജോലികൾ ഷെഡ്യൂൾ ചെയ്യുക.

• ആക്റ്റ് 🦾: മോട്ടോർ കമാൻഡുകൾ സൃഷ്ടിക്കുക, ഗ്രിപ്പ് ചെയ്യുക, റോൾ ചെയ്യുക, ബാലൻസ് ചെയ്യുക, തടസ്സങ്ങൾ ഒഴിവാക്കുക.

• പഠിക്കുക 🔁: ഡാറ്റയിൽ നിന്നുള്ള ധാരണയോ പെരുമാറ്റമോ മെച്ചപ്പെടുത്തുക (ചിലപ്പോൾ ഓൺലൈനിൽ, പലപ്പോഴും ഓഫ്‌ലൈനിൽ).

ധാരാളം റോബോട്ടിക് “AI” യഥാർത്ഥത്തിൽ ഒരുമിച്ച് പ്രവർത്തിക്കുന്ന കഷണങ്ങളുടെ ഒരു കൂട്ടമാണ് -ധാരണ, സംസ്ഥാന വിലയിരുത്തൽ, ആസൂത്രണം, നിയന്ത്രണം- ഇവയെല്ലാം ഒരുമിച്ച് സ്വയംഭരണത്തിലേക്ക് കൂട്ടിച്ചേർക്കുന്നു.

ഒരു പ്രായോഗിക "ഫീൽഡ്" യാഥാർത്ഥ്യം: സാധാരണയായി ബുദ്ധിമുട്ടുള്ള ഭാഗം ഒരു ക്ലീൻ ഡെമോയിൽ ഒരിക്കൽ ഒരു റോബോട്ടിനെ എന്തെങ്കിലും ചെയ്യാൻ പ്രേരിപ്പിക്കുന്നില്ല എന്നതാണ് - ലൈറ്റിംഗ് മാറുമ്പോഴും, ചക്രങ്ങൾ വഴുതിപ്പോകുമ്പോഴും, തറ തിളങ്ങുന്നപ്പോഴും, ഷെൽഫുകൾ നീങ്ങുമ്പോഴും, ആളുകൾ പ്രവചനാതീതമായ NPC-കൾ പോലെ നടക്കുമ്പോഴും അതേ ലളിതമായ കാര്യം വിശ്വസനീയമായി ചെയ്യാൻ പ്രേരിപ്പിക്കുക എന്നതാണ്

ഒരു റോബോട്ടിന് നല്ല ഒരു AI തലച്ചോറ് ഉണ്ടാക്കുന്നത് എന്താണ്?

ഒരു സോളിഡ് റോബോട്ട് AI സജ്ജീകരണം വെറും സ്മാർട്ട് ആകരുത് - പ്രവചനാതീതവും യഥാർത്ഥവുമായ പരിതസ്ഥിതികളിൽ അത് വിശ്വസനീയമായിരിക്കണം

പ്രധാന സവിശേഷതകളിൽ ഇവ ഉൾപ്പെടുന്നു:

• തത്സമയ പ്രകടനം ⏱️ (തീരുമാനമെടുക്കുന്നതിന് സമയബന്ധിതത പ്രധാനമാണ്)

• ക്രമരഹിതമായ ഡാറ്റയോടുള്ള ദൃഢത (ഗ്ലെയർ, ശബ്ദം, ക്ലട്ടർ, ചലന മങ്ങൽ)

• മനോഹരമായ പരാജയ മോഡുകൾ 🧯 (വേഗത കുറയ്ക്കുക, സുരക്ഷിതമായി നിർത്തുക, സഹായം ചോദിക്കുക)

• നല്ല മുൻ‌ഗണനകൾ + നല്ല പഠനം (ഭൗതികശാസ്ത്രം + നിയന്ത്രണങ്ങൾ + എം‌എൽ - “വൈബുകൾ” മാത്രമല്ല)

• അളക്കാവുന്ന ധാരണാ നിലവാരം 📏 (സെൻസറുകൾ/മോഡലുകൾ തരംതാഴ്ത്തപ്പെടുമ്പോൾ അറിയൽ)

മികച്ച റോബോട്ടുകൾ പലപ്പോഴും ഒരിക്കൽ മിന്നുന്ന തന്ത്രങ്ങൾ ചെയ്യാൻ കഴിയുന്നവയല്ല, മറിച്ച് വിരസമായ ജോലികൾ ദിവസം തോറും നന്നായി ചെയ്യാൻ കഴിയുന്നവയാണ്.

സാധാരണ റോബോട്ട് AI ബിൽഡിംഗ് ബ്ലോക്കുകളുടെ താരതമ്യ പട്ടിക

പെർസെപ്ഷൻ: റോബോട്ടുകൾ അസംസ്കൃത സെൻസർ ഡാറ്റയെ അർത്ഥമാക്കി മാറ്റുന്നതെങ്ങനെ

റോബോട്ടുകൾ സെൻസർ സ്ട്രീമുകളെ അവർക്ക് യഥാർത്ഥത്തിൽ ഉപയോഗിക്കാൻ കഴിയുന്ന ഒന്നാക്കി മാറ്റുന്നിടത്താണ് പെർസെപ്ഷൻ:

• ക്യാമറകൾ → വസ്തുക്കൾ തിരിച്ചറിയൽ, പോസ് കണക്കാക്കൽ, ദൃശ്യ ധാരണ

• LiDAR → ദൂരം + തടസ്സ ജ്യാമിതി

• ഡെപ്ത് ക്യാമറകൾ → 3D ഘടനയും സ്വതന്ത്ര ഇടവും

• മൈക്രോഫോണുകൾ → സംസാരത്തിന്റെയും ശബ്ദത്തിന്റെയും സൂചനകൾ

• ഫോഴ്‌സ്/ടോർക്ക് സെൻസറുകൾ → സുരക്ഷിതമായ ഗ്രിപ്പിംഗും സഹകരണവും

• ടാക്റ്റൈൽ സെൻസറുകൾ → സ്ലിപ്പ് ഡിറ്റക്ഷൻ, കോൺടാക്റ്റ് ഇവന്റുകൾ

ഇതുപോലുള്ള ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ റോബോട്ടുകൾ AI-യെ ആശ്രയിക്കുന്നു:

• "എന്തൊക്കെ വസ്തുക്കളാണ് എന്റെ മുന്നിലുള്ളത്?"

• "അത് ഒരു വ്യക്തിയാണോ അതോ ഒരു മാനെക്വിൻ ആണോ?"

• "ഹാൻഡിൽ എവിടെ?"

• "എന്തെങ്കിലും എന്റെ നേരെ നീങ്ങുന്നുണ്ടോ?"

സൂക്ഷ്മവും എന്നാൽ പ്രധാനപ്പെട്ടതുമായ ഒരു വിശദാംശം: പെർസെപ്ഷൻ സിസ്റ്റങ്ങൾ വെറും 'അതെ/ഇല്ല' എന്ന ഉത്തരം മാത്രമല്ല, അനിശ്ചിതത്വം (അല്ലെങ്കിൽ ഒരു കോൺഫിഡൻസ് പ്രോക്സി) പുറത്തുവിടണം - കാരണം ഡൗൺസ്ട്രീം പ്ലാനിംഗും സുരക്ഷാ തീരുമാനങ്ങളും റോബോട്ട് എത്രത്തോളം ഉറപ്പുള്ളവനാണെന്നതിനെ ആശ്രയിച്ചിരിക്കുന്നു

പ്രാദേശികവൽക്കരണവും മാപ്പിംഗും: പരിഭ്രാന്തരാകാതെ നിങ്ങൾ എവിടെയാണെന്ന് അറിയുക

ഒരു റോബോട്ട് ശരിയായി പ്രവർത്തിക്കാൻ അത് എവിടെയാണെന്ന് അറിയേണ്ടതുണ്ട്. ഇത് പലപ്പോഴും SLAM (സിമൽറ്റേനിയസ് ലോക്കലൈസേഷൻ ആൻഡ് മാപ്പിംഗ്): ഒരേ സമയം റോബോട്ടിന്റെ പോസ് കണക്കാക്കുമ്പോൾ ഒരു മാപ്പ് നിർമ്മിക്കുക. ക്ലാസിക് ഫോർമുലേഷനുകളിൽ, EKF-അധിഷ്ഠിതവും കണികാ-ഫിൽട്ടർ-അധിഷ്ഠിതവുമായ സമീപനങ്ങൾ ഉൾപ്പെടെയുള്ള സാധാരണ കുടുംബങ്ങളിൽ, SLAM ഒരു പ്രോബബിലിസ്റ്റിക് എസ്റ്റിമേഷൻ പ്രശ്നമായി കണക്കാക്കപ്പെടുന്നു. [1]

റോബോട്ട് സാധാരണയായി ഇവ സംയോജിപ്പിക്കുന്നു:

• വീൽ ഓഡോമെട്രി (അടിസ്ഥാന ട്രാക്കിംഗ്)

• LiDAR സ്കാൻ പൊരുത്തപ്പെടുത്തൽ അല്ലെങ്കിൽ ദൃശ്യ ലാൻഡ്‌മാർക്കുകൾ

• IMU-കൾ (ഭ്രമണം/ത്വരണം)

• ജിപിഎസ് (ഔട്ട്‌ഡോറുകൾ, പരിമിതികളോടെ)

റോബോട്ടുകളെ എല്ലായ്പ്പോഴും പൂർണ്ണമായും പ്രാദേശികവൽക്കരിക്കാൻ കഴിയില്ല - അതിനാൽ നല്ല സ്റ്റാക്കുകൾ മുതിർന്നവരെപ്പോലെ പ്രവർത്തിക്കുന്നു: അനിശ്ചിതത്വം ട്രാക്ക് ചെയ്യുക, ഡ്രിഫ്റ്റ് കണ്ടെത്തുക, ആത്മവിശ്വാസം കുറയുമ്പോൾ സുരക്ഷിതമായ പെരുമാറ്റത്തിലേക്ക് മടങ്ങുക.

ആസൂത്രണവും തീരുമാനമെടുക്കലും: അടുത്തതായി എന്തുചെയ്യണമെന്ന് തിരഞ്ഞെടുക്കൽ

ഒരു റോബോട്ടിന് ലോകത്തെക്കുറിച്ചുള്ള പ്രായോഗികമായ ഒരു ചിത്രം ലഭിച്ചുകഴിഞ്ഞാൽ, എന്തുചെയ്യണമെന്ന് അത് തീരുമാനിക്കേണ്ടതുണ്ട്. ആസൂത്രണം പലപ്പോഴും രണ്ട് പാളികളായി ദൃശ്യമാകും:

• പ്രാദേശിക ആസൂത്രണം (വേഗത്തിലുള്ള പ്രതികരണങ്ങൾ) ⚡
  തടസ്സങ്ങൾ ഒഴിവാക്കുക, ആളുകളുടെ അടുത്ത് വേഗത കുറയ്ക്കുക, പാതകൾ/ഇടനാഴികൾ പിന്തുടരുക.

• ആഗോള ആസൂത്രണം (വലിയ ചിത്രം) 🧭
  ലക്ഷ്യസ്ഥാനങ്ങൾ തിരഞ്ഞെടുക്കുക, തടഞ്ഞ പ്രദേശങ്ങളിൽ സഞ്ചരിക്കുക, ജോലികൾ ഷെഡ്യൂൾ ചെയ്യുക.

പ്രായോഗികമായി, ഇവിടെയാണ് റോബോട്ട് "എനിക്ക് ഒരു വ്യക്തമായ പാത കാണാൻ കഴിയുമെന്ന് ഞാൻ കരുതുന്നു" എന്നതിനെ ഒരു ഷെൽഫിന്റെ മൂലയിൽ ക്ലിപ്പ് ചെയ്യാത്തതോ മനുഷ്യന്റെ സ്വകാര്യ ഇടത്തിലേക്ക് നീങ്ങാത്തതോ ആയ മൂർത്തമായ ചലന കമാൻഡുകളാക്കി മാറ്റുന്നത്.

നിയന്ത്രണം: പദ്ധതികളെ സുഗമമായ ചലനമാക്കി മാറ്റൽ

നിയന്ത്രണ സംവിധാനങ്ങൾ ആസൂത്രണം ചെയ്ത പ്രവർത്തനങ്ങളെ യഥാർത്ഥ ചലനങ്ങളാക്കി മാറ്റുന്നു, അതേസമയം യഥാർത്ഥ ലോകത്തിലെ ശല്യപ്പെടുത്തലുകൾ കൈകാര്യം ചെയ്യുന്നു:

• ഘർഷണം

• പേലോഡ് മാറ്റങ്ങൾ

• ഗുരുത്വാകർഷണം

• മോട്ടോർ കാലതാമസവും തിരിച്ചടിയും

സാധാരണ ഉപകരണങ്ങളിൽ PID , മോഡൽ - അധിഷ്ഠിത നിയന്ത്രണം , മോഡൽ പ്രവചന നിയന്ത്രണം , ആയുധങ്ങൾക്കായുള്ള വിപരീത ചലനാത്മകത എന്നിവ ഉൾപ്പെടുന്നു - അതായത്, സംയുക്ത ചലനങ്ങളാക്കി മാറ്റുന്ന ഗണിതശാസ്ത്രം . [2]

ഇതിനെക്കുറിച്ച് ചിന്തിക്കാനുള്ള ഒരു ഉപയോഗപ്രദമായ മാർഗം:
ആസൂത്രണം ഒരു പാത തിരഞ്ഞെടുക്കുന്നു.
നിയന്ത്രണം റോബോട്ടിനെ കഫീൻ അടങ്ങിയ ഷോപ്പിംഗ് കാർട്ട് പോലെ ആടിയുലയാതെ, അമിതമായി ഓടാതെ, വൈബ്രേറ്റ് ചെയ്യാതെ അതിനെ പിന്തുടരാൻ പ്രേരിപ്പിക്കുന്നു.

പഠനം: എന്നെന്നേക്കുമായി റീപ്രോഗ്രാം ചെയ്യപ്പെടുന്നതിനുപകരം റോബോട്ടുകൾ എങ്ങനെ മെച്ചപ്പെടുന്നു

ഓരോ പരിസ്ഥിതി മാറ്റത്തിനും ശേഷം സ്വമേധയാ പുനഃക്രമീകരിക്കുന്നതിനുപകരം ഡാറ്റയിൽ നിന്ന് പഠിച്ചുകൊണ്ട് റോബോട്ടുകൾക്ക് മെച്ചപ്പെടാൻ കഴിയും.

പ്രധാന പഠന സമീപനങ്ങളിൽ ഇവ ഉൾപ്പെടുന്നു:

• മേൽനോട്ടത്തിലുള്ള പഠനം 📚: ലേബൽ ചെയ്ത ഉദാഹരണങ്ങളിൽ നിന്ന് പഠിക്കുക (ഉദാ: "ഇതൊരു പാലറ്റ് ആണ്").

• സ്വയം മേൽനോട്ടത്തിലുള്ള പഠനം 🔍: അസംസ്കൃത ഡാറ്റയിൽ നിന്ന് ഘടന പഠിക്കുക (ഉദാ. ഭാവി ഫ്രെയിമുകൾ പ്രവചിക്കുക).

• ശക്തിപ്പെടുത്തൽ പഠനം 🎯: കാലക്രമേണ പ്രതിഫല സിഗ്നലുകൾ പരമാവധിയാക്കി പ്രവർത്തനങ്ങൾ പഠിക്കുക (പലപ്പോഴും ഏജന്റുമാർ, പരിസ്ഥിതികൾ, റിട്ടേണുകൾ എന്നിവ ഉപയോഗിച്ച് ഫ്രെയിം ചെയ്തിരിക്കുന്നു). [3]

RL തിളങ്ങുന്നിടത്ത്: സങ്കീർണ്ണമായ പെരുമാറ്റരീതികൾ പഠിക്കുക, കൈകൊണ്ട് ഒരു കൺട്രോളർ രൂപകൽപ്പന ചെയ്യുന്നത് വേദനാജനകമാണ്.
RL കൂടുതൽ രസകരമാകുന്നിടത്ത്: ഡാറ്റ കാര്യക്ഷമത, പര്യവേക്ഷണ വേളയിലെ സുരക്ഷ, ലളിതമായ വിടവുകൾ.

മനുഷ്യ-റോബോട്ട് ഇടപെടൽ: മനുഷ്യരുമായി പ്രവർത്തിക്കാൻ റോബോട്ടുകളെ സഹായിക്കുന്ന AI

വീടുകളിലോ ജോലിസ്ഥലങ്ങളിലോ ഉള്ള റോബോട്ടുകൾക്ക്, ഇടപെടൽ പ്രധാനമാണ്. AI ഇവ പ്രാപ്തമാക്കുന്നു:

• സംഭാഷണ തിരിച്ചറിയൽ (ശബ്ദം → വാക്കുകൾ)

• ഉദ്ദേശ്യ കണ്ടെത്തൽ (പദങ്ങൾ → അർത്ഥം)

• ആംഗ്യ ധാരണ (ചൂണ്ടിക്കാണിക്കൽ, ശരീരഭാഷ)

നിങ്ങൾ ഇത് ഷിപ്പ് ചെയ്യുന്നതുവരെ ഇത് ലളിതമായി തോന്നാം: മനുഷ്യർ പൊരുത്തമില്ലാത്തവരാണ്, ഉച്ചാരണങ്ങൾ വ്യത്യാസപ്പെടുന്നു, മുറികൾ ശബ്ദായമാനമാണ്, "അവിടെ" എന്നത് ഒരു കോർഡിനേറ്റ് ഫ്രെയിം അല്ല.

വിശ്വാസം, സുരക്ഷ, "ഭയാനകമാകരുത്": രസകരമല്ലാത്തതും എന്നാൽ അത്യാവശ്യവുമായ ഭാഗം

റോബോട്ടുകൾ ശാരീരിക പ്രത്യാഘാതങ്ങളുള്ള AI സംവിധാനങ്ങളാണ് , അതിനാൽ വിശ്വാസവും സുരക്ഷാ നടപടികളും ഒരു അനന്തരഫലമാകാൻ കഴിയില്ല.

പ്രായോഗിക സുരക്ഷാ സ്കാർഫോൾഡിംഗിൽ പലപ്പോഴും ഇവ ഉൾപ്പെടുന്നു:

• ആത്മവിശ്വാസം/അനിശ്ചിതത്വം നിരീക്ഷിക്കൽ

• ധാരണ കുറയുമ്പോൾ യാഥാസ്ഥിതിക പെരുമാറ്റങ്ങൾ

• ഡീബഗ്ഗിംഗിനും ഓഡിറ്റുകൾക്കുമുള്ള ലോഗിംഗ് പ്രവർത്തനങ്ങൾ

• റോബോട്ടിന് ചെയ്യാൻ കഴിയുന്ന കാര്യങ്ങളുടെ അതിരുകൾ വ്യക്തമാക്കുക

ഇത് രൂപപ്പെടുത്തുന്നതിനുള്ള ഒരു ഉപയോഗപ്രദമായ ഉയർന്ന തലത്തിലുള്ള മാർഗം റിസ്ക് മാനേജ്മെന്റാണ്: ഭരണം, അപകടസാധ്യതകൾ മാപ്പിംഗ്, അവ അളക്കൽ, ജീവിതചക്രത്തിലുടനീളം അവയെ കൈകാര്യം ചെയ്യൽ - NIST AI റിസ്ക് മാനേജ്മെന്റിനെ കൂടുതൽ വിശാലമായി എങ്ങനെ രൂപപ്പെടുത്തുന്നു എന്നതിന് അനുസൃതമായി. [4]

"വലിയ മോഡൽ" ട്രെൻഡ്: ഫൗണ്ടേഷൻ മോഡലുകൾ ഉപയോഗിക്കുന്ന റോബോട്ടുകൾ

ഫൗണ്ടേഷൻ മോഡലുകൾ കൂടുതൽ പൊതുവായ ഉദ്ദേശ്യമുള്ള റോബോട്ട് സ്വഭാവത്തിലേക്ക് നീങ്ങുന്നു - പ്രത്യേകിച്ചും ഭാഷ, ദർശനം, പ്രവൃത്തി എന്നിവ ഒരുമിച്ച് മാതൃകയാക്കുമ്പോൾ.

ഒരു ഉദാഹരണ ദിശാസൂചനയാണ് ദർശന-ഭാഷ-പ്രവർത്തന (VLA) മോഡലുകൾ, അവിടെ ഒരു സിസ്റ്റം എന്താണ് കാണുന്നത് + എന്താണ് ചെയ്യാൻ പറയുന്നത് + എന്ത് പ്രവർത്തനങ്ങൾ സ്വീകരിക്കണം എന്നിവയെ ബന്ധിപ്പിക്കാൻ പരിശീലിപ്പിക്കപ്പെടുന്നു. ഈ രീതിയിലുള്ള സമീപനത്തിന്റെ വ്യാപകമായി പരാമർശിക്കപ്പെടുന്ന ഒരു ഉദാഹരണമാണ് RT-2. [5]

ആവേശകരമായ ഭാഗം: കൂടുതൽ വഴക്കമുള്ളതും ഉയർന്ന തലത്തിലുള്ളതുമായ ധാരണ.
യാഥാർത്ഥ്യ പരിശോധന: ഭൗതിക-ലോക വിശ്വാസ്യതയ്ക്ക് ഇപ്പോഴും ഗാർഡ്‌റെയിലുകൾ ആവശ്യമാണ് - ക്ലാസിക് എസ്റ്റിമേറ്റ്, സുരക്ഷാ നിയന്ത്രണങ്ങൾ, യാഥാസ്ഥിതിക നിയന്ത്രണം എന്നിവ റോബോട്ടിന് "സ്മാർട്ടായി സംസാരിക്കാൻ" കഴിയുമെന്ന് കരുതി ഇല്ലാതാകുന്നില്ല.

അന്തിമ പരാമർശങ്ങൾ

അപ്പോൾ, റോബോട്ടുകൾ എങ്ങനെയാണ് AI ഉപയോഗിക്കുന്നത്? അവസ്ഥ മനസ്സിലാക്കാനും കണക്കാക്കാനും (ഞാൻ എവിടെയാണ്?) , ആസൂത്രണം ചെയ്യാനും നിയന്ത്രിക്കാനും - ചിലപ്പോൾ ഡാറ്റയിൽ നിന്ന് പഠിക്കാനും മെച്ചപ്പെടുത്താനും റോബോട്ടുകൾ AI ഉപയോഗിക്കുന്നു . ചലനാത്മക പരിതസ്ഥിതികളുടെ സങ്കീർണ്ണത കൈകാര്യം ചെയ്യാൻ AI റോബോട്ടുകളെ പ്രാപ്തമാക്കുന്നു, എന്നാൽ വിജയം സുരക്ഷയ്ക്ക് പ്രഥമ പരിഗണന നൽകുന്ന വിശ്വസനീയവും അളക്കാവുന്നതുമായ സിസ്റ്റങ്ങളെ ആശ്രയിച്ചിരിക്കുന്നു.

യഥാർത്ഥ ലോക ഉദാഹരണം: ഒരു വെയർഹൗസ് റോബോട്ടിനായി ഒരു AI അസിസ്റ്റന്റ് നിർമ്മിക്കൽ

രംഗം

ഒരു ഓട്ടോണമസ് മൊബൈൽ റോബോട്ട് ഉപയോഗിച്ച് സീൽ ചെയ്ത ടോട്ടുകൾ പാക്കിംഗ് ബെഞ്ചുകളിൽ നിന്ന് ഡിസ്പാച്ച് ഏരിയയിലേക്ക് മാറ്റുന്ന ഒരു ചെറിയ ഫുൾഫിൽമെന്റ് വെയർഹൗസ് സങ്കൽപ്പിക്കുക. റോബോട്ടിന് "എല്ലാം മനസ്സിലാക്കേണ്ട" ആവശ്യമില്ല. അതിന് വിശ്വസനീയമായി ഒരു ജോലി മാത്രമേ ചെയ്യാവൂ: ഒരു ടോട്ടെടുക്കുക, പങ്കിട്ട ഇടനാഴിയിൽ നാവിഗേറ്റ് ചെയ്യുക, ആളുകളെയും പാലറ്റ് ട്രക്കുകളെയും ഒഴിവാക്കുക, ആത്മവിശ്വാസം കുറയുമ്പോൾ സുരക്ഷിതമായി നിർത്തുക.

കമ്പ്യൂട്ടർ വിഷൻ, ലിഡാർ, സ്ലാം, പാത്ത് പ്ലാനിംഗ്, തടസ്സം ഒഴിവാക്കൽ, ജീവനക്കാരിൽ നിന്നുള്ള അടിസ്ഥാന ഭാഷാ നിർദ്ദേശങ്ങൾ എന്നിവ സംയോജിപ്പിക്കുന്നതാണ് AI സ്റ്റാക്ക്. ഒരു സൂപ്പർവൈസർ "ബേ 3 ഡിസ്പാച്ച് ചെയ്യാൻ ഈ ടോട്ട് എടുക്കുക" എന്ന് പറഞ്ഞേക്കാം, പക്ഷേ റോബോട്ടിന് ഇപ്പോഴും ഭാഷാ പാളിക്ക് കീഴിൽ ഉറച്ച സുരക്ഷാ നിയമങ്ങൾ ആവശ്യമാണ്.

ഇതൊരു ശക്തമായ ഉദാഹരണമാണ്, കാരണം ഒരു ഭീമൻ മോഡൽ ഊഹങ്ങൾ ഉണ്ടാക്കുന്നതിനുപകരം, റോബോട്ട് AI ഒരു പ്രായോഗിക സ്റ്റാക്കായി പ്രവർത്തിക്കുന്നുവെന്ന് ഇത് കാണിക്കുന്നു.

അസിസ്റ്റന്റിന് എന്താണ് വേണ്ടത്

സജ്ജീകരണത്തിന് ഇത് ആവശ്യമാണ്:

• പാക്കിംഗ് ബെഞ്ചുകൾ, ഡിസ്പാച്ച് ബേകൾ, നോ-ഗോ സോണുകൾ, ചാർജിംഗ് പോയിന്റുകൾ, ഇടുങ്ങിയ ഇടനാഴികൾ എന്നിവയുൾപ്പെടെയുള്ള വെയർഹൗസിന്റെ ഒരു ഭൂപടം

• മൊത്തം ആളുകളെയും, ആളുകളെയും, തറയിലെ അടയാളങ്ങളെയും, തടഞ്ഞ വഴികളെയും തിരിച്ചറിയുന്നതിനുള്ള ക്യാമറ അല്ലെങ്കിൽ ഡെപ്ത്-ക്യാമറ ഡാറ്റ

• തടസ്സം കണ്ടെത്തുന്നതിനുള്ള LiDAR അല്ലെങ്കിൽ മറ്റൊരു ദൂര സെൻസർ

• ലോക്കലൈസേഷനായി വീൽ എൻകോഡറുകളും IMU ഡാറ്റയും

• വേഗത പരിധി, നിർത്തൽ ദൂരം, മനുഷ്യ സുരക്ഷിതമായ പെരുമാറ്റം എന്നിവയ്ക്കുള്ള നിയമങ്ങൾ

• ടോട്ട് ഐഡി, പിക്കപ്പ് പോയിന്റ്, ലക്ഷ്യസ്ഥാനം എന്നിവ പോലുള്ള വെയർഹൗസ് സിസ്റ്റത്തിൽ നിന്നുള്ള ഒരു ടാസ്‌ക് ലിസ്റ്റ്

• റൂട്ട്, കോൺഫിഡൻസ് സ്‌കോറുകൾ, സ്റ്റോപ്പുകൾ, മിസ്സുകൾക്ക് സമീപം, മനുഷ്യ ഇടപെടലുകൾ എന്നിവ രേഖപ്പെടുത്തുന്ന ലോഗുകൾ

പ്രധാന കാര്യം, ഭാഷാ നിർദ്ദേശം ഒരിക്കലും നിയന്ത്രണ പാളി മാത്രമായിരിക്കരുത് എന്നതാണ്. മനുഷ്യ സൗഹൃദ കമാൻഡുകൾ റോബോട്ട് സ്വീകരിച്ചേക്കാം, പക്ഷേ ചലനം ഇപ്പോഴും മാപ്പിംഗ്, പ്ലാനിംഗ്, നിയന്ത്രണം, സുരക്ഷാ നിയന്ത്രണങ്ങൾ എന്നിവയാൽ നിയന്ത്രിക്കപ്പെടണം.

ഉദാഹരണ നിർദ്ദേശം

റോബോട്ട് അസിസ്റ്റന്റിനുള്ള ഒരു ലളിതമായ പ്രവർത്തന നിർദ്ദേശം ഇതുപോലെയാകാം:

ഒരു വെയർഹൗസ് മൊബൈൽ റോബോട്ടിന്റെ ടാസ്‌ക് അസിസ്റ്റന്റ് നിങ്ങളാണ്. സ്റ്റാഫ് അഭ്യർത്ഥനകളെ സുരക്ഷിതമായ നീക്ക ജോലികളാക്കി മാറ്റുക എന്നതാണ് നിങ്ങളുടെ ജോലി. പിക്കപ്പ് പോയിന്റ്, ലക്ഷ്യസ്ഥാനം, ടോട്ട് ഐഡി എന്നിവ വ്യക്തമാകുമ്പോൾ മാത്രം ഒരു ടാസ്‌ക് സൃഷ്ടിക്കുക. എന്തെങ്കിലും വിശദാംശങ്ങൾ നഷ്ടപ്പെട്ടിട്ടുണ്ടെങ്കിൽ, ഒരു ചെറിയ വ്യക്തത ചോദ്യം ചോദിക്കരുത്. ഒരിക്കലും സ്ഥലങ്ങൾ കണ്ടെത്തരുത്. റൂട്ട് ബ്ലോക്ക് ചെയ്‌തിട്ടുണ്ടെങ്കിൽ, അംഗീകൃതമായ ഒരു ബദൽ റൂട്ട് ഉണ്ടെങ്കിൽ തിരഞ്ഞെടുക്കുക. ധാരണാ ആത്മവിശ്വാസം സുരക്ഷിത പരിധിക്ക് താഴെയാണെങ്കിൽ, വേഗത കുറയ്ക്കുക, നിർത്തുക, അല്ലെങ്കിൽ മനുഷ്യ സഹായം അഭ്യർത്ഥിക്കുക. പരാജയപ്പെട്ട ഓരോ പിക്കപ്പ്, ബ്ലോക്ക് ചെയ്‌ത റൂട്ട്, എമർജൻസി സ്റ്റോപ്പ്, മാനുവൽ ഓവർറൈഡ് എന്നിവയും ലോഗ് ചെയ്യുക.

ഒരു ജീവനക്കാരന്റെ അഭ്യർത്ഥന ഇതായിരിക്കാം:

പാക്കിംഗ് ബെഞ്ച് 6 ൽ നിന്ന് ഡിസ്പാച്ച് ബേ 3 ലേക്ക് ടോട്ട് T-1842 നീക്കുക.

ഒരു നല്ല പ്രതികരണം ഇതായിരിക്കും:

ടാസ്‌ക് സ്വീകരിച്ചു: പാക്കിംഗ് ബെഞ്ച് 6 ൽ നിന്ന് T-1842 ടോട്ട് ശേഖരിച്ച് ഡിസ്‌പാച്ച് ബേ 3 ലേക്ക് എത്തിക്കുക. ഇടനാഴി B വഴി തിരഞ്ഞെടുത്ത റൂട്ട്. കാൽനട ക്രോസിംഗിന് സമീപം വേഗത പരിമിതപ്പെടുത്തിയിരിക്കുന്നു. ഇടനാഴി B ബ്ലോക്ക് ചെയ്‌തിട്ടുണ്ടെങ്കിൽ, അംഗീകൃത ഫാൾബാക്ക് റൂട്ട് C ഉപയോഗിക്കുക.

ഒരു മോശം പ്രതികരണം ഇതായിരിക്കും:

തീർച്ചയായും, ഞാൻ അത് അയയ്ക്കാൻ കൊണ്ടുപോകാം.

മോശം പതിപ്പ് വളരെ അവ്യക്തമാണ്. ഇത് ടോട്ട് ഐഡി, പിക്കപ്പ് പോയിന്റ്, ലക്ഷ്യസ്ഥാനം, റൂട്ട് അല്ലെങ്കിൽ സുരക്ഷാ പെരുമാറ്റം എന്നിവ സ്ഥിരീകരിക്കുന്നില്ല.

എങ്ങനെ പരീക്ഷിക്കാം

ഒരു ലൈവ് ഐലാൻഡില്‍ റോബോട്ടിനെ പ്രവര്‍ത്തിപ്പിക്കുന്നതിന് മുമ്പ്, ഒരു ചെറിയ ചെക്ക്‌ലിസ്റ്റ് ഉപയോഗിച്ച് അത് പരീക്ഷിക്കുക:

• പൂർണ്ണ വിശദാംശങ്ങളുള്ള ഒരു ടോട്ട് നീക്കാൻ ആവശ്യപ്പെടുക

• ഡിസ്‌പാച്ച് ബേ നൽകാതെ ഒരു ടോട്ട് നീക്കാൻ അതിനോട് ആവശ്യപ്പെടുക

• വഴിയിൽ ഒരു വ്യക്തിയുടെ ആകൃതിയിലുള്ള തടസ്സം സ്ഥാപിക്കുക

• ഒരു ഷെൽഫ് മാർക്കർ നീക്കി പ്രാദേശികവൽക്കരണ ആത്മവിശ്വാസം കുറയുന്നുണ്ടോ എന്ന് പരിശോധിക്കുക

• തറയിൽ തിളക്കം സൃഷ്ടിച്ച് ധാരണയിലെ ആത്മവിശ്വാസം മാറുന്നുണ്ടോ എന്ന് പരിശോധിക്കുക

• ഇഷ്ടപ്പെട്ട ഇടനാഴി ബ്ലോക്ക് ചെയ്‌ത് അത് അംഗീകൃത ഫാൾബാക്ക് റൂട്ട് തിരഞ്ഞെടുക്കുന്നുണ്ടോ എന്ന് പരിശോധിക്കുക

• നിലവിലില്ലാത്ത ഒരു ലക്ഷ്യസ്ഥാനം ചോദിച്ച്, ഊഹിക്കുന്നതിനുപകരം അത് നിരസിക്കുന്നുണ്ടോ എന്ന് പരിശോധിക്കുക

• സ്റ്റോപ്പുകൾ, റീറൂട്ടുകൾ, ഓവർറൈഡുകൾ എന്നിവ റെക്കോർഡ് ചെയ്‌തിട്ടുണ്ടെന്ന് ഉറപ്പാക്കാൻ ഓരോ ഓട്ടത്തിനു ശേഷവും ലോഗ് അവലോകനം ചെയ്യുക

ലക്ഷ്യം "റോബോട്ട് എത്തിയോ?" എന്നതല്ല, മറിച്ച് ചോദ്യം ഇതാണ്: "പരിസ്ഥിതി അനിശ്ചിതത്വത്തിലായപ്പോൾ അത് സുരക്ഷിതമായും പ്രവചനാതീതമായും പ്രവർത്തിച്ചോ?"

ഫലമായി

ഉദാഹരണ ഫലം: ഒരു ചെറിയ വെയർഹൗസ് ടെസ്റ്റ് ഏരിയയിലെ 20 ടോട്ട്-മൂവിംഗ് ജോലികളുടെ സമയക്രമീകരണത്തെ അടിസ്ഥാനമാക്കി.

റോബോട്ട് വർക്ക്ഫ്ലോ ഉപയോഗിക്കുന്നതിന് മുമ്പ്, ഒരു മനുഷ്യ ഓട്ടക്കാരൻ ഓരോ ടോട്ട് നീക്കത്തിനും ശരാശരി 4 മിനിറ്റ് 30 സെക്കൻഡ് എടുത്തു, അതിൽ പാക്കിംഗ് ബെഞ്ചിലേക്ക് തിരികെ നടക്കുന്നത് ഉൾപ്പെടുന്നു. ലളിതമായ പോയിന്റ്-ടു-പോയിന്റ് ടോട്ട് ട്രാൻസ്ഫറുകൾക്കായി റോബോട്ടിനെ അവതരിപ്പിച്ചതിനുശേഷം, മനുഷ്യ കൈകാര്യം ചെയ്യൽ സമയം ഓരോ ടാസ്‌ക്കിനും ഏകദേശം 50 സെക്കൻഡായി കുറഞ്ഞു, പ്രധാനമായും ടോട്ട് ലോഡുചെയ്യുന്നതിനും ജോലി സ്ഥിരീകരിക്കുന്നതിനുമായി.

അങ്ങനെ ഒരു ടോട്ട് നീക്കത്തിന് ഏകദേശം 3 മിനിറ്റ് 40 സെക്കൻഡ് ലാഭിക്കാം. പ്രതിദിനം 80 ടോട്ട് നീക്കങ്ങളിലൂടെ, ഏകദേശം 293 മിനിറ്റ് അല്ലെങ്കിൽ പ്രതിദിനം 4.9 സ്റ്റാഫ് മണിക്കൂറിൽ താഴെ സമയം ലാഭിക്കാമെന്ന് കണക്കാക്കപ്പെടുന്നു.

ഒരേ പരിശോധനയിലെ സുരക്ഷാ പരിശോധനകൾ പ്രത്യേകം ട്രാക്ക് ചെയ്യണം. ഉദാഹരണത്തിന്:

• 20 ൽ 20 ജോലികളും ശരിയായ ലക്ഷ്യസ്ഥാനത്ത് എത്തി

• അംഗീകൃത റൂട്ടിംഗ് ഉപയോഗിച്ച് 3 ബ്ലോക്ക്ഡ്-റൂട്ട് ഇവന്റുകൾ കൈകാര്യം ചെയ്തു

• 2 കുറഞ്ഞ ആത്മവിശ്വാസ സംഭവങ്ങൾ സുരക്ഷിതമായ ഒരു സ്റ്റോപ്പിന് കാരണമായി

• അംഗീകാരമില്ലാത്ത 0 ലക്ഷ്യസ്ഥാനങ്ങൾ സ്വീകരിച്ചു

• കാണാതായ 0 ടോട്ട് ഐഡികൾ ഊഹിച്ചു

ഈ സംഖ്യകൾ ഉദാഹരണങ്ങളാണ്, ഏതെങ്കിലും പ്രത്യേക റോബോട്ട് ഉൽപ്പന്നത്തെക്കുറിച്ചുള്ള അവകാശവാദമല്ല. വിന്യാസത്തിന് മുമ്പും ശേഷവുമുള്ള ജോലികൾ സമയക്രമീകരിക്കുന്നതിലൂടെയും, മാനുവൽ ഓവർറൈഡുകൾ എണ്ണുന്നതിലൂടെയും, റൂട്ട് ലോഗുകൾ അവലോകനം ചെയ്യുന്നതിലൂടെയും, പരാജയപ്പെട്ട ഡെലിവറികൾ പരിശോധിക്കുന്നതിലൂടെയും ഒരു ടീമിന് ഫലം പരിശോധിക്കാൻ കഴിയും.

എന്ത് തെറ്റ് സംഭവിക്കാം?

ഏറ്റവും സാധാരണമായ പരാജയം റോബോട്ടിന് അമിത സ്വാതന്ത്ര്യം നൽകുന്നതാണ്. ഒരു ഭാഷാ മോഡലിന് നിർദ്ദേശം മനസ്സിലായേക്കാം, എന്നാൽ അതിനർത്ഥം റൂട്ടുകൾ കണ്ടുപിടിക്കുന്നതിനോ, കോൺഫിഡൻസ് സ്കോറുകൾ അവഗണിക്കുന്നതിനോ, "ഒരുപക്ഷേ സുരക്ഷിതം" എന്താണെന്ന് തീരുമാനിക്കുന്നതിനോ അതിനെ വിശ്വസിക്കണമെന്ന് അർത്ഥമാക്കുന്നില്ല.

മറ്റ് യഥാർത്ഥ പ്രശ്നങ്ങളിൽ ഇവ ഉൾപ്പെടുന്നു:

• ഷെൽഫുകളോ ബെഞ്ചുകളോ മാറ്റിയതിനുശേഷം കാലഹരണപ്പെട്ട മാപ്പുകൾ

• മോശം വെളിച്ചം അല്ലെങ്കിൽ പ്രതിഫലിക്കുന്ന തറകൾ കാഴ്ച മോഡലുകളെ ആശയക്കുഴപ്പത്തിലാക്കുന്നു

• റോബോട്ട് തിരിച്ചറിയാത്ത അനൗപചാരിക ലൊക്കേഷൻ പേരുകൾ ഉപയോഗിക്കുന്ന ജീവനക്കാർ

• ടോട്ട് ഐഡികൾ നഷ്ടപ്പെട്ടതിനാൽ സിസ്റ്റം തെറ്റായ ഇനം തിരഞ്ഞെടുക്കുന്നു

• ദുർബലമായ മരംമുറിക്കൽ, സമീപത്തുള്ള നഷ്ടങ്ങൾ അന്വേഷിക്കാൻ പ്രയാസകരമാക്കുന്നു

• പരാജയപ്പെട്ട ഓട്ടങ്ങളും മനുഷ്യ ഇടപെടലുകളും അളക്കാതെ പ്രകടനത്തെ അമിതമായി അവകാശപ്പെടൽ

ഒരു നല്ല നിയമം ലളിതമാണ്: റോബോട്ട് ഉറപ്പില്ലാത്തപ്പോൾ, അത് കൂടുതൽ സർഗ്ഗാത്മകമായിട്ടല്ല, മറിച്ച് കൂടുതൽ യാഥാസ്ഥിതികമായി മാറണം.

പ്രായോഗിക ഉപദേശം

ഒരു ഇടുങ്ങിയ ജോലി, വ്യക്തമായ ഇൻപുട്ടുകൾ, അളക്കാവുന്ന സുരക്ഷാ പെരുമാറ്റം, വിശ്വസനീയമായ പരിഹാരങ്ങൾ എന്നിവയെ ചുറ്റിപ്പറ്റിയാണ് ശക്തമായ ഒരു റോബോട്ട് AI സജ്ജീകരണം നിർമ്മിച്ചിരിക്കുന്നത്. "ബുദ്ധി" എന്നത് വസ്തുക്കളെ തിരിച്ചറിയുകയോ നിർദ്ദേശങ്ങൾ പാലിക്കുകയോ മാത്രമല്ല. എപ്പോൾ നീങ്ങണം, എപ്പോൾ വേഗത കുറയ്ക്കണം, എപ്പോൾ നിർത്തണം, എപ്പോൾ സഹായം ചോദിക്കണം എന്നിവ അറിയുക എന്നതാണ്.

പതിവുചോദ്യങ്ങൾ

റോബോട്ടുകൾ സ്വയം പ്രവർത്തിക്കാൻ AI എങ്ങനെ ഉപയോഗിക്കുന്നു?

ലോകത്തെ മനസ്സിലാക്കുക, എന്താണ് സംഭവിക്കുന്നതെന്ന് വ്യാഖ്യാനിക്കുക, സുരക്ഷിതമായ അടുത്ത ഘട്ടം ആസൂത്രണം ചെയ്യുക, മോട്ടോറുകളിലൂടെ പ്രവർത്തിക്കുക, ഡാറ്റയിൽ നിന്ന് പഠിക്കുക എന്നിങ്ങനെ തുടർച്ചയായ സ്വയംഭരണ ലൂപ്പ് പ്രവർത്തിപ്പിക്കാൻ റോബോട്ടുകൾ AI ഉപയോഗിക്കുന്നു. പ്രായോഗികമായി, ഇത് ഒരു "മാജിക്" മോഡലിനേക്കാൾ യോജിച്ച് പ്രവർത്തിക്കുന്ന ഘടകങ്ങളുടെ ഒരു കൂട്ടമാണ്. തികഞ്ഞ സാഹചര്യങ്ങളിൽ ഒറ്റത്തവണ ഡെമോ അല്ല, മാറിക്കൊണ്ടിരിക്കുന്ന പരിതസ്ഥിതികളിൽ ആശ്രയിക്കാവുന്ന പെരുമാറ്റമാണ് ലക്ഷ്യം.

റോബോട്ട് AI എന്നത് വെറുമൊരു മോഡൽ മാത്രമാണോ അതോ പൂർണ്ണ സ്വയംഭരണ സ്റ്റാക്കാണോ?

മിക്ക സിസ്റ്റങ്ങളിലും, റോബോട്ട് AI ഒരു പൂർണ്ണ സ്റ്റാക്കാണ്: പെർസെപ്ഷൻ, സ്റ്റേറ്റ് എസ്റ്റിമേഷൻ, പ്ലാനിംഗ്, നിയന്ത്രണം. ദർശനം, പ്രവചനം തുടങ്ങിയ ജോലികളിൽ മെഷീൻ ലേണിംഗ് സഹായിക്കുന്നു, അതേസമയം ഭൗതികശാസ്ത്ര നിയന്ത്രണങ്ങളും ക്ലാസിക്കൽ നിയന്ത്രണവും ചലനത്തെ സ്ഥിരവും പ്രവചനാതീതവുമായി നിലനിർത്തുന്നു. പല യഥാർത്ഥ വിന്യാസങ്ങളും ഒരു ഹൈബ്രിഡ് സമീപനമാണ് ഉപയോഗിക്കുന്നത്, കാരണം വിശ്വാസ്യത ബുദ്ധിശക്തിയെക്കാൾ പ്രധാനമാണ്. അതുകൊണ്ടാണ് നിയന്ത്രിത ക്രമീകരണങ്ങൾക്ക് പുറത്ത് "വൈബ്സ്-ഒൺലി" പഠനം അപൂർവ്വമായി നിലനിൽക്കുന്നത്.

AI റോബോട്ടുകൾ ഏതൊക്കെ സെൻസറുകളെയും പെർസെപ്ഷൻ മോഡലുകളെയും ആശ്രയിക്കുന്നു?

AI റോബോട്ടുകൾ പലപ്പോഴും ക്യാമറകൾ, LiDAR, ഡെപ്ത് സെൻസറുകൾ, മൈക്രോഫോണുകൾ, IMU-കൾ, എൻകോഡറുകൾ, ഫോഴ്‌സ്/ടോർക്ക് അല്ലെങ്കിൽ ടാക്റ്റൈൽ സെൻസറുകൾ എന്നിവ സംയോജിപ്പിക്കുന്നു. പെർസെപ്ഷൻ മോഡലുകൾ ഈ സ്ട്രീമുകളെ ഒബ്ജക്റ്റ് ഐഡന്റിറ്റി, പോസ്, ഫ്രീ സ്പേസ്, മോഷൻ ക്യൂകൾ തുടങ്ങിയ ഉപയോഗയോഗ്യമായ സിഗ്നലുകളാക്കി മാറ്റുന്നു. ലേബലുകൾ മാത്രമല്ല, ആത്മവിശ്വാസമോ അനിശ്ചിതത്വമോ ഔട്ട്‌പുട്ട് ചെയ്യുക എന്നതാണ് പ്രായോഗികമായ ഏറ്റവും നല്ല രീതി. ഗ്ലെയർ, ബ്ലർ അല്ലെങ്കിൽ ക്ലട്ടർ എന്നിവയിൽ നിന്ന് സെൻസറുകൾ തരംതാഴ്ത്തപ്പെടുമ്പോൾ ആ അനിശ്ചിതത്വം സുരക്ഷിതമായ ആസൂത്രണത്തെ നയിക്കും.

റോബോട്ടിക്സിൽ SLAM എന്താണ്, എന്തുകൊണ്ട് അത് പ്രധാനമാണ്?

SLAM (സിമൽട്ടേനിയസ് ലോക്കലൈസേഷൻ ആൻഡ് മാപ്പിംഗ്) ഒരു റോബോട്ടിനെ സ്വന്തം സ്ഥാനം കണക്കാക്കുന്നതിനൊപ്പം ഒരു മാപ്പ് നിർമ്മിക്കാൻ സഹായിക്കുന്നു. സാഹചര്യങ്ങൾ മാറുമ്പോൾ "പരിഭ്രാന്തരാകാതെ" സഞ്ചരിക്കുകയും നാവിഗേറ്റ് ചെയ്യേണ്ടതുമായ റോബോട്ടുകൾക്ക് ഇത് കേന്ദ്രമാണ്. സാധാരണ ഇൻപുട്ടുകളിൽ വീൽ ഓഡോമെട്രി, IMU-കൾ, LiDAR അല്ലെങ്കിൽ വിഷൻ ലാൻഡ്‌മാർക്കുകൾ, ചിലപ്പോൾ GPS ഔട്ട്ഡോർ എന്നിവ ഉൾപ്പെടുന്നു. നല്ല സ്റ്റാക്കുകൾ ഡ്രിഫ്റ്റും അനിശ്ചിതത്വവും ട്രാക്ക് ചെയ്യുന്നു, അതിനാൽ പ്രാദേശികവൽക്കരണം അസ്ഥിരമാകുമ്പോൾ റോബോട്ടിന് കൂടുതൽ യാഥാസ്ഥിതികമായി പെരുമാറാൻ കഴിയും.

റോബോട്ട് ആസൂത്രണവും റോബോട്ട് നിയന്ത്രണവും എങ്ങനെ വ്യത്യാസപ്പെട്ടിരിക്കുന്നു?

റോബോട്ട് അടുത്തതായി എന്തുചെയ്യണമെന്ന് ആസൂത്രണം തീരുമാനിക്കുന്നു, ഉദാഹരണത്തിന് ഒരു ലക്ഷ്യസ്ഥാനം തിരഞ്ഞെടുക്കുക, തടസ്സങ്ങളെ മറികടക്കുക, അല്ലെങ്കിൽ ആളുകളെ ഒഴിവാക്കുക. ഘർഷണം, പേലോഡ് മാറ്റങ്ങൾ, മോട്ടോർ കാലതാമസം എന്നിവ ഉണ്ടായിരുന്നിട്ടും നിയന്ത്രണം ആ പദ്ധതിയെ സുഗമവും സ്ഥിരതയുള്ളതുമായ ചലനമാക്കി മാറ്റുന്നു. ആസൂത്രണം പലപ്പോഴും ആഗോള ആസൂത്രണം (വലിയ ചിത്ര റൂട്ടുകൾ), പ്രാദേശിക ആസൂത്രണം (തടസ്സങ്ങൾക്ക് സമീപമുള്ള വേഗത്തിലുള്ള റിഫ്ലെക്സുകൾ) എന്നിങ്ങനെ വിഭജിക്കപ്പെടുന്നു. പ്ലാൻ വിശ്വസനീയമായി പിന്തുടരുന്നതിന് നിയന്ത്രണം സാധാരണയായി PID, മോഡൽ അധിഷ്ഠിത നിയന്ത്രണം അല്ലെങ്കിൽ മോഡൽ പ്രവചന നിയന്ത്രണം പോലുള്ള ഉപകരണങ്ങൾ ഉപയോഗിക്കുന്നു.

റോബോട്ടുകൾ അനിശ്ചിതത്വമോ ആത്മവിശ്വാസക്കുറവോ എങ്ങനെ സുരക്ഷിതമായി കൈകാര്യം ചെയ്യും?

നന്നായി രൂപകൽപ്പന ചെയ്ത റോബോട്ടുകൾ അനിശ്ചിതത്വത്തെ പെരുമാറ്റത്തിലേക്കുള്ള ഒരു ഇൻപുട്ടായി കണക്കാക്കുന്നു, അവഗണിക്കാനുള്ള ഒന്നായിട്ടല്ല. ധാരണയോ പ്രാദേശികവൽക്കരണമോ ആത്മവിശ്വാസം കുറയുമ്പോൾ, വേഗത കുറയ്ക്കുക, സുരക്ഷാ മാർജിനുകൾ വർദ്ധിപ്പിക്കുക, സുരക്ഷിതമായി നിർത്തുക, അല്ലെങ്കിൽ ഊഹിക്കുന്നതിനുപകരം മനുഷ്യ സഹായം അഭ്യർത്ഥിക്കുക എന്നിവയാണ് പൊതുവായ ഒരു സമീപനം. സംഭവങ്ങൾ ഓഡിറ്റ് ചെയ്യാനും പരിഹരിക്കാൻ എളുപ്പവുമാക്കുന്നതിന് സിസ്റ്റങ്ങൾ പ്രവർത്തനങ്ങളും സന്ദർഭവും രേഖപ്പെടുത്തുന്നു. ഈ "മനോഹരമായ പരാജയം" എന്ന മാനസികാവസ്ഥയാണ് ഡെമോകൾക്കും വിന്യസിക്കാവുന്ന റോബോട്ടുകൾക്കും ഇടയിലുള്ള ഒരു പ്രധാന വ്യത്യാസം.

റോബോട്ടുകൾക്ക് റൈൻഫോഴ്‌സ്‌മെന്റ് പഠനം എപ്പോഴാണ് ഉപയോഗപ്രദമാകുന്നത്, എന്താണ് അതിനെ ബുദ്ധിമുട്ടാക്കുന്നത്?

കൃത്രിമത്വം അല്ലെങ്കിൽ ചലനം പോലുള്ള സങ്കീർണ്ണമായ കഴിവുകൾക്ക് റൈൻഫോഴ്‌സ്‌മെന്റ് ലേണിംഗ് പലപ്പോഴും ഉപയോഗിക്കുന്നു, അവിടെ ഒരു കൺട്രോളർ കൈകൊണ്ട് രൂപകൽപ്പന ചെയ്യുന്നത് വേദനാജനകമാണ്. പ്രതിഫലം അടിസ്ഥാനമാക്കിയുള്ള പരീക്ഷണത്തിലൂടെയും പിശകുകളിലൂടെയും ഫലപ്രദമായ പെരുമാറ്റങ്ങൾ കണ്ടെത്താൻ ഇതിന് കഴിയും, പലപ്പോഴും സിമുലേഷനിൽ. പര്യവേക്ഷണം സുരക്ഷിതമല്ലാത്തതും ഡാറ്റ ചെലവേറിയതും ലളിതമായ വിടവുകൾ നയങ്ങളെ തകർക്കുന്നതും ആയതിനാൽ വിന്യാസം ബുദ്ധിമുട്ടാണ്. സുരക്ഷയ്ക്കും സ്ഥിരതയ്ക്കും വേണ്ടി നിയന്ത്രണങ്ങൾക്കും ക്ലാസിക്കൽ നിയന്ത്രണത്തിനും ഒപ്പം പല പൈപ്പ്‌ലൈനുകളും RL തിരഞ്ഞെടുത്ത് ഉപയോഗിക്കുന്നു.

റോബോട്ടുകൾ AI ഉപയോഗിക്കുന്ന രീതിയെ ഫൗണ്ടേഷൻ മോഡലുകൾ മാറ്റുന്നുണ്ടോ?

ഫൗണ്ടേഷൻ-മോഡൽ സമീപനങ്ങൾ റോബോട്ടുകളെ കൂടുതൽ പൊതുവായതും നിർദ്ദേശങ്ങൾ പാലിക്കുന്നതുമായ പെരുമാറ്റത്തിലേക്ക് തള്ളിവിടുന്നു, പ്രത്യേകിച്ച് RT-2-സ്റ്റൈൽ സിസ്റ്റങ്ങൾ പോലുള്ള ദർശന-ഭാഷ-പ്രവർത്തന (VLA) മോഡലുകളിൽ. ഇതിന്റെ ഗുണം വഴക്കമാണ്: റോബോട്ട് കാണുന്നതിനെ അത് എന്ത് ചെയ്യാൻ പറയുന്നുവെന്നും അത് എങ്ങനെ പ്രവർത്തിക്കണമെന്നും ബന്ധിപ്പിക്കുന്നു. ക്ലാസിക് എസ്റ്റിമേഷൻ, സുരക്ഷാ നിയന്ത്രണങ്ങൾ, യാഥാസ്ഥിതിക നിയന്ത്രണം എന്നിവ ഇപ്പോഴും ഭൗതിക വിശ്വാസ്യതയ്ക്ക് പ്രധാനമാണ് എന്നതാണ് യാഥാർത്ഥ്യം. NIST യുടെ AI RMF പോലുള്ള ചട്ടക്കൂടുകൾക്ക് സമാനമായി, പല ടീമുകളും ഇതിനെ ലൈഫ് സൈക്കിൾ റിസ്ക് മാനേജ്മെന്റായി രൂപപ്പെടുത്തുന്നു.

അവലംബം

[1] ഡുറന്റ്-വൈറ്റ് & ബെയ്‌ലി - സൈമൽറ്റേനിയസ് ലോക്കലൈസേഷനും മാപ്പിംഗും (SLAM): ഭാഗം I അവശ്യ അൽഗോരിതങ്ങൾ (PDF)
[2] ലിഞ്ച് & പാർക്ക് - മോഡേൺ റോബോട്ടിക്സ്: മെക്കാനിക്സ്, പ്ലാനിംഗ്, കൺട്രോൾ (പ്രീപ്രിന്റ് PDF)
[3] സട്ടൺ & ബാർട്ടോ - റീഇൻഫോഴ്‌സ്‌മെന്റ് ലേണിംഗ്: ഒരു ആമുഖം (രണ്ടാം പതിപ്പ് ഡ്രാഫ്റ്റ് PDF)
[4] NIST - ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് റിസ്ക് മാനേജ്‌മെന്റ് ഫ്രെയിംവർക്ക് (AI RMF 1.0) (PDF)
[5] ബ്രോഹാൻ തുടങ്ങിയവർ - RT-2: വിഷൻ-ലാംഗ്വേജ്-ആക്ഷൻ മോഡലുകൾ വെബ് അറിവ് റോബോട്ടിക് നിയന്ത്രണത്തിലേക്ക് മാറ്റുന്നു (arXiv)

ഔദ്യോഗിക AI അസിസ്റ്റന്റ് സ്റ്റോറിൽ ഏറ്റവും പുതിയ AI കണ്ടെത്തുക

ഞങ്ങളേക്കുറിച്ച്