تشهد التكنولوجيا تطورات متسارعة، مما يجعل الروبوتات تلعب دورًا حيويًا في العديد من الصناعات، حيث تساهم في رفع مستوى الإنتاجية والجودة، بالإضافة إلى تحسين الخدمات اللوجستية مثل التعبئة والتغليف، وكذلك في المجال الطبي من خلال مساعدة الأطباء والجراحين في إجراء العمليات المعقدة والعناية بالمرضى. كما تُستخدم في المهام البيئية مثل جمع النفايات وتنظيف الشوارع.

على عكس المطورين الذين يتعاملون مع نماذج الذكاء الاصطناعي مثل “شات جي بي تي”، يواجه الباحثون في مجال الروبوتات تحديات خاصة خلال تدريب الآلات الفيزيائية. حيث تتسم البيانات المتعلقة بالروبوتات بكلفتها العالية، ونقص وجود أساطيل من الروبوتات التي يمكن أن تمنح بيانات كافية لتحسين أدائها في البيئات الديناميكية مثل المنازل. ولقد لجأ بعض الباحثين إلى أسلوب المحاكاة، لكن ذلك يتطلب الكثير من الجهد والموارد.

في ضوء ذلك، قامت مجموعة من الباحثين من جامعة واشنطن بتقديم دراستين حول أنظمة ذكاء اصطناعي تستخدم الصور أو الفيديو لإنشاء محاكاة لتدريب الروبوتات في البيئات الحقيقية. تهدف هذه الأنظمة إلى تقليص تكلفة تدريب الروبوتات في الأماكن المعقدة. وقد تم عرض الدراسة الأولى في 16 يوليو/تموز الماضي، بينما عُرضت الثانية في 19 من نفس الشهر خلال مؤتمر “علوم وأنظمة الروبوتات” في دلفت، هولندا.

نظام “ريل تو”

تكشف الدراسة الأولى عن نظام الذكاء الاصطناعي “ريل تو” (RialTo) الذي تم تطويره بواسطة “أبهيشيك غوبتا”، أستاذ مساعد في كلية “بول جي ألين” لعلوم وهندسة الحاسوب، بالاشتراك مع فريق من معهد “ماساتشوستس” للتكنولوجيا.

يساعد النظام المستخدمين على تسجيل فيديو لهندسة البيئة وأجزائها المتحركة باستخدام هواتفهم الذكية. على سبيل المثال، في المطبخ، يقوم المستخدم بتسجيل كيفية فتح الأدراج والثلاجة، ثم يستخدم النظام نماذج الذكاء الاصطناعي الموجودة، مع القيام ببعض الأعمال من خلال واجهة المستخدم لعرض كيفية حركة الأشياء.

يتم بناء نسخة محاكاة من المطبخ المعروض في الفيديو، حيث يتم تدريب روبوت افتراضي من خلال تجربة الأخطاء والتعلم في البيئة الافتراضية، من خلال محاولاته المتكررة لأداء مهام مثل فتح الخزائن أو المحامص.

تُعرف هذه العملية بـ”التعلم المعزز”، حيث يتحسن أداء الروبوت مع مرور الوقت ويتكيف مع التغيرات في بيئة عمله، مثل وجود كوب بجوار المحمصة، ويمكنه بعد ذلك نقل تلك المعرفة إلى بيئته الفيزيائية، ليصبح دقيقًا كروبوت تم تدريبه في مطبخ حقيقي.

قال غوبتا: “نسعى لتعليم الأنظمة حول العالم الحقيقي من خلال المحاكاة”، مما يساعد على تدريب الروبوتات في البيئة الافتراضية، مما يساهم في تحسين فعاليتها في الواقع، مما يعد مفيدًا من ناحية الأمان، حيث لا ينبغي أن تكون هناك روبوتات ضعيفة التدريب قد تتسبب في كسر الأشياء أو إصابة الناس.

يعمل فريق “ريل تو” حاليًا على نشر نظامهم في المنازل بعد خضوعه للاختبار بشكل مكثف في المختبر، ويخطط غوبتا لدمج كميات محدودة من بيانات التدريب الواقعية لتحسين معدلات نجاح النظام.

نظام “يو آر دي فورمر”

يتابع المقال ليقدم المزيد من التفاصيل حول نظام “يو آر دي فورمر”، والذي…

### تطوير نظام يو آر دي فورمر
في دراسة حديثة، قام فريق بحث بإنشاء نظام جديد يُطلق عليه اسم “يو آر دي فورمر” (URD Former)، والذي يركز على تطوير محاكاة للمطابخ بطريقة سريعة واقتصادية. يعتمد هذا النظام على مسح الصور المتاحة على الإنترنت وربطها بالنماذج الحالية لحركة الأدراج والخزائن، مما يمكّن الباحثين من تدريب الروبوتات بكفاءة وبشكل ميسر ضمن مجموعة واسعة من البيئات.

### تنبيه حول دقة المحاكاة
وأفادت “زوي تشين”، المؤلفة الرئيسية للدراسة، أن “المصانع يمكن أن تتسم بالتكرار”، موضحة أن “الروبوتات يمكن برمجتها لأداء مهام معقدة بشكل متكرر”. بينما تتسم البيئات المنزلية بالتنوع والتغير المستمر، مما يجعل الذكاء الاصطناعي مفيدًا في تدريب الروبوتات. من جانبها، أكدت الورقة البحثية أن “يو آر دي فورمر” قد لا يقدم دقة عالية مثل نظام “ريل تو”، مشيرة إلى أن كلا النظامين يمكن أن يكمل كل منهما الآخر.

### فهم التعلم المعزز
يتعلق التعلم المعزز، المعروف باسم “آر إل” (RL)، بتعليم البرامج اتخاذ قرارات لتحقيق أفضل النتائج من خلال أسلوب المحاولة والخطأ، مما يشبه طريقة التعلم لدى البشر. تتضمن عملية التعلم ثلاث خطوات رئيسية:

1. **البيئة**: تبدأ عملية التعلم في إعداد بيئة تعليمية للمحاكاة تشمل الملاحظات، والإجراءات، والمكافآت.
2. **التدريب**: يتضمن التدريب استخدام خوارزميات معينة لترجمة الحالة إلى إجراء يختاره الروبوت. تُستخدم الشبكات العصبية العميقة لهذا الغرض.
3. **النشر**: بعد نجاح تأهيل السياسات في البيئات الافتراضية، يتم نشرها في الروبوتات الحقيقية، ويعتمد نجاح هذا النشر على عدة عوامل، منها الفجوة بين العالمين الافتراضي والواقعي.

تمثل هذه التطورات خطوة جديدة نحو تحسين قدرة الروبوتات على التفاعل في بيئات الحياة اليومية في المنازل.