به گزارش ایران نت، استارتاپ آلمانی Agile Robots برای حل یکی از چالش‌های مهم توسعه ربات‌های صنعتی، یعنی کمبود داده‌های آموزشی، به سراغ روشی متفاوت رفته است: ضبط حرکات واقعی کارگران و استفاده از آن‌ها برای آموزش هوش مصنوعی. در این روش، انسان‌ها هنگام انجام وظایف مختلف از حرکات دست و انگشتان خود فیلم‌برداری می‌کنند و داده‌های به‌دست‌آمده برای آموزش سامانه‌های رباتیک به کار می‌روند. ربات‌ها پیش از ورود به خطوط تولید، این حرکات را در محیط‌های شبیه‌سازی‌شده تمرین می‌کنند تا برای انجام وظایف واقعی آماده‌تر شوند.
این رویکرد در شرایطی دنبال می‌شود که شرکت‌های فناوری و تولیدکنندگان ربات در سراسر جهان تلاش می‌کنند ربات‌های انسان‌نما و سامانه‌های خودکار را به کارخانه‌ها وارد کنند. اگرچه بسیاری از فعالیت‌های صنعتی تکراری و قابل پیش‌بینی به نظر می‌رسند، اجرای دقیق آن‌ها برای یک ربات همچنان دشوار است. ماشین‌ها باید بتوانند اشیا را تشخیص دهند، میزان نیروی لازم برای گرفتن آن‌ها را تنظیم کنند، حرکات خود را با محیط هماهنگ سازند و در صورت تغییر شرایط، واکنش مناسبی نشان دهند. آموزش مبتنی بر رفتار انسان می‌تواند یکی از راه‌های کاهش این دشواری‌ها باشد.
آکادمی ربات؛ جایی برای آموزش ماشین‌ها با کمک انسان‌ها
ژائوپنگ چن، مدیر ارشد اجرایی شرکت Agile Robots، در جریان رویداد فناوری Wave by Vento در شهر تورین ایتالیا، از برنامه‌ای با عنوان «آکادمی ربات» سخن گفت. هدف این برنامه فراهم کردن بستری برای گردآوری داده‌های حرکتی انسان و استفاده از آن‌ها در فرایند آموزش ربات‌ها است.
در این روش، کارگران هنگام انجام وظایف مشخص، از حرکت دست‌ها و انگشتان خود فیلم تهیه می‌کنند. این ویدیوها اطلاعاتی درباره نحوه نزدیک شدن به اشیا، وضعیت انگشتان، ترتیب حرکات و چگونگی انجام یک فعالیت در اختیار توسعه‌دهندگان قرار می‌دهند. سپس داده‌های حاصل می‌توانند برای آموزش مدل‌های هوش مصنوعی و شبیه‌سازی رفتارهای موردنیاز ربات استفاده شوند.
چن برای توضیح این ایده پرسشی مطرح کرده است: «اگر انسان‌ها می‌توانند در مدرسه آموزش ببینند، چرا ربات‌ها نتوانند؟» این پرسش، منطق اصلی برنامه را بیان می‌کند؛ همان‌طور که انسان‌ها با مشاهده، تمرین و دریافت بازخورد مهارت‌های تازه را یاد می‌گیرند، ربات‌ها نیز می‌توانند با استفاده از نمونه‌های واقعی و تمرین‌های تکرارشونده، توانایی انجام وظایف را به دست آورند.
البته آموزش ربات با فیلم‌برداری از حرکات انسان به معنای انتقال مستقیم مهارت انسانی به ماشین نیست. ویدیوها فقط بخشی از اطلاعات لازم را فراهم می‌کنند و سامانه هوش مصنوعی باید از این داده‌ها الگوهای حرکتی استخراج کند. علاوه بر آن، تفاوت ساختار دست انسان با ابزارهای حرکتی ربات، نوع حسگرها و محدودیت‌های مکانیکی دستگاه باید در فرایند آموزش در نظر گرفته شود.
چرا آموزش ربات‌های صنعتی هنوز دشوار است؟
ربات‌های صنعتی سال‌ها است برای انجام وظایف مشخصی مانند جابه‌جایی قطعات، مونتاژ محصولات و فعالیت‌های تکراری در کارخانه‌ها استفاده می‌شوند. بااین‌حال، ربات‌های انسان‌نما و سامانه‌های هوشمند جدید باید در محیط‌هایی فعالیت کنند که تغییرات بیشتری در آن‌ها رخ می‌دهد. این ربات‌ها ممکن است با قطعاتی روبه‌رو شوند که موقعیت یا جهت قرارگیری آن‌ها تغییر کرده است یا لازم باشد عملیاتی را انجام دهند که به هماهنگی دقیق چند حرکت وابسته است.
برای یک کارگر باتجربه، بسیاری از این تنظیمات به‌صورت ناخودآگاه انجام می‌شوند. فرد ممکن است با توجه به وزن یک قطعه، میزان اصطکاک سطح یا شکل جسم، نیروی دست خود را تغییر دهد. اما ربات باید این روابط را از طریق برنامه‌ریزی، داده‌های آموزشی، حسگرها و الگوریتم‌های کنترلی بیاموزد. همین تفاوت باعث می‌شود انجام یک فعالیت ساده برای انسان، لزوماً برای یک سامانه خودکار ساده نباشد.
تجربه انسانی در برابر تمرین ماشینی
مدیرعامل Agile Robots توضیح داده است که کارگران ماهر از تجربه‌هایی بهره می‌برند که در طول سال‌ها فعالیت به دست آورده‌اند. آن‌ها می‌توانند آموخته‌های قبلی را در موقعیت‌های تازه به کار بگیرند و با تغییر شرایط، روش انجام کار را اصلاح کنند. در مقابل، سامانه‌های خودکار برای رسیدن به عملکرد قابل‌اعتماد ممکن است به هزاران بار تمرین نیاز داشته باشند.
این موضوع به‌ویژه زمانی اهمیت پیدا می‌کند که تغییر کوچکی در وظیفه رخ دهد. اگر یک ربات فقط برای انجام حرکتی کاملاً مشخص آموزش دیده باشد، تغییر محل قطعه، شکل ابزار یا شرایط محیط می‌تواند عملکرد آن را مختل کند. در چنین شرایطی، سامانه ممکن است به داده‌های تازه، تنظیم مجدد یا آموزش تکمیلی نیاز داشته باشد.
به همین دلیل، یکی از اهداف مهم پژوهش در رباتیک هوشمند، توسعه سامانه‌هایی است که بتوانند از تعداد کمتری نمونه یاد بگیرند و مهارت‌های آموخته‌شده را به موقعیت‌های مشابه منتقل کنند. استفاده از حرکات واقعی کارگران می‌تواند مجموعه‌ای از نمونه‌های عملی در اختیار مدل قرار دهد، هرچند میزان موفقیت این روش به کیفیت داده‌ها و طراحی فرایند آموزش وابسته است.
شبیه‌سازی؛ مرحله‌ای میان مشاهده و کار در کارخانه
برنامه Agile Robots تنها به ثبت ویدیو از حرکات انسان محدود نمی‌شود. طبق توضیحات منتشرشده، ربات‌ها پیش از ورود به خطوط تولید، حرکات ثبت‌شده را در محیط‌های مجازی تمرین می‌کنند. این مرحله به توسعه‌دهندگان اجازه می‌دهد رفتار ربات را پیش از اجرای واقعی بررسی کنند و خطاهای احتمالی را در محیطی کنترل‌شده شناسایی کنند.
شبیه‌سازی در رباتیک می‌تواند هزینه و پیچیدگی آزمایش‌های اولیه را کاهش دهد. آزمایش یک حرکت جدید روی تجهیزات واقعی ممکن است به زمان، نیروی انسانی و تنظیمات مکانیکی نیاز داشته باشد. همچنین در صورت اجرای نادرست حرکت، احتمال آسیب به قطعه یا تجهیزات وجود دارد. در محیط مجازی، می‌توان سناریوهای مختلف را بارها اجرا کرد و اثر تغییر پارامترها را سنجید.
بااین‌حال، انتقال رفتار آموخته‌شده از محیط شبیه‌سازی به دنیای واقعی یکی از چالش‌های شناخته‌شده این حوزه است. شرایط واقعی کارخانه ممکن است با مدل مجازی تفاوت داشته باشد؛ برای مثال، اصطکاک سطوح، انعطاف‌پذیری اشیا، نور محیط و خطاهای حسگرها همیشه به‌طور کامل در شبیه‌سازی بازنمایی نمی‌شوند. بنابراین، ربات پس از آموزش مجازی نیز به آزمایش و ارزیابی در محیط واقعی نیاز دارد.
از ویدیوی انسانی تا حرکت ربات
برای تبدیل حرکات ثبت‌شده به رفتار قابل اجرا، سامانه آموزشی باید اطلاعات مرتبط را از تصاویر استخراج کند. این اطلاعات ممکن است شامل موقعیت دست، ترتیب حرکت اندام‌ها، نحوه تماس با اشیا و رابطه میان مراحل مختلف یک فعالیت باشد. سپس مدل می‌تواند از نمونه‌ها برای یادگیری الگوهای حرکتی استفاده کند.
در مرحله بعد، این الگوها باید با ساختار فیزیکی ربات سازگار شوند. برای نمونه، ربات ممکن است مفاصل، تعداد انگشتان یا دامنه حرکتی متفاوتی نسبت به انسان داشته باشد. در نتیجه، تقلید دقیق از مسیر حرکت دست انسان همیشه امکان‌پذیر یا حتی ضروری نیست. هدف اصلی، یادگیری روشی است که ربات با استفاده از امکانات مکانیکی خود بتواند همان وظیفه را با دقت و ایمنی مناسب انجام دهد.
کمبود داده؛ مانعی مهم در مسیر توسعه هوش مصنوعی رباتیک
مدل‌های هوش مصنوعی برای یادگیری رفتارهای پیچیده به داده‌هایی نیاز دارند که تنوع کافی داشته باشند و شرایط مختلف را پوشش دهند. در حوزه رباتیک، تهیه چنین داده‌هایی دشوارتر از برخی کاربردهای نرم‌افزاری است؛ زیرا داده‌ها اغلب باید از تعامل واقعی با اشیا، ابزارها و محیط فیزیکی به دست بیایند.
ثبت داده‌های باکیفیت می‌تواند به زمان و تجهیزات نیاز داشته باشد. هر بار که ربات یک وظیفه را انجام می‌دهد، اطلاعاتی درباره حرکت، موقعیت و نتیجه کار به دست می‌آید؛ اما برای پوشش دادن شرایط متنوع، لازم است آزمایش‌های زیادی انجام شود. این روند در فعالیت‌هایی که به کنترل دقیق دست و انگشتان نیاز دارند، پیچیده‌تر می‌شود.
استفاده از فیلم‌های تهیه‌شده توسط انسان‌ها راهی برای افزایش نمونه‌های آموزشی است. کارگران می‌توانند وظایف را با ابزارهای واقعی و در شرایط طبیعی انجام دهند و از این طریق نمونه‌هایی از مهارت‌های عملی فراهم کنند. این داده‌ها ممکن است به‌ویژه برای وظایفی مفید باشند که توصیف کامل آن‌ها با دستورهای صریح و برنامه‌نویسی سنتی دشوار است.
بااین‌حال، هر ویدیو الزاماً داده آموزشی مناسبی نیست. زاویه دوربین، پوشیده شدن دست‌ها توسط اشیا، کیفیت تصویر و نبود اطلاعاتی درباره نیروی واردشده می‌تواند تفسیر حرکت را دشوار کند. همچنین برای یادگیری دقیق‌تر، ممکن است داده‌های تصویری به اطلاعات تکمیلی از حسگرها یا بازخوردهای حرکتی نیاز داشته باشند. بنابراین، گردآوری داده تنها بخشی از مسئله است و کیفیت پردازش و استفاده از آن‌ها نیز اهمیت دارد.
جایگاه Agile Robots در صنعت رباتیک آلمان
Agile Robots در سال ۲۰۱۸ توسط پژوهشگرانی مرتبط با مرکز هوافضای آلمان در مونیخ تأسیس شد. این شرکت در حوزه توسعه سامانه‌های رباتیک فعالیت می‌کند و تلاش دارد راهکارهای خودکار را برای کاربردهای صنعتی گسترش دهد. بر اساس اطلاعات منتشرشده در گزارش، این شرکت تاکنون بیش از ۲۰ هزار سیستم را در سراسر جهان مستقر کرده است.
همچنین طبق همان گزارش، Agile Robots موفق به جذب حدود ۱٫۵ میلیارد دلار سرمایه شده است و مذاکراتی برای تأمین ۸۰۰ میلیون دلار دیگر با مشارکت سافت‌بانک در جریان بوده است. این مذاکرات به‌معنای نهایی شدن سرمایه‌گذاری نیست و نتیجه آن را باید از اعلام رسمی طرف‌های درگیر مشخص کرد.
میزان سرمایه‌گذاری در شرکت‌های رباتیک نشان می‌دهد که توسعه خودکارسازی صنعتی به یکی از حوزه‌های مورد توجه سرمایه‌گذاران تبدیل شده است. شرکت‌ها در تلاش‌اند راهکارهایی بسازند که بتوانند علاوه بر اجرای وظایف تکراری، در محیط‌های متغیر نیز عملکرد قابل‌اعتمادی داشته باشند. بااین‌حال، تعداد سیستم‌های مستقرشده یا میزان سرمایه جذب‌شده به‌تنهایی نشان نمی‌دهد که تمام محصولات یک شرکت از قابلیت‌های پیشرفته آموزش مبتنی بر هوش مصنوعی برخوردارند؛ ارزیابی عملکرد هر فناوری به اطلاعات فنی و نتایج عملی نیاز دارد.
رقابت شرکت‌های آلمانی برای آموزش ربات‌های انسان‌نما
Agile Robots تنها شرکت آلمانی فعال در این زمینه نیست. شرکت Neura Robotics نیز پروژه‌ای مشترک با دانشگاه فنی مونیخ برای ایجاد یک مرکز آموزش رباتیک آغاز کرده است. چنین همکاری‌هایی نشان می‌دهند که توسعه مهارت‌های حرکتی و آماده‌سازی ربات‌ها برای فعالیت‌های صنعتی، به یکی از موضوعات مهم شرکت‌ها و مراکز پژوهشی تبدیل شده است.
همکاری صنعت و دانشگاه می‌تواند امکان ترکیب دانش فنی، آزمایش‌های علمی و نیازهای واقعی کارخانه‌ها را فراهم کند. دانشگاه‌ها در زمینه الگوریتم‌های یادگیری، کنترل و ارزیابی عملکرد تخصص دارند و شرکت‌ها نیز می‌توانند تجربه عملی و تجهیزات موردنیاز برای آزمودن فناوری‌ها را فراهم کنند. البته نتیجه هر پروژه به اهداف، منابع و دستاوردهای قابل‌اندازه‌گیری آن وابسته است و نمی‌توان صرف آغاز یک همکاری را معادل موفقیت تجاری یا فنی دانست.
در سطح گسترده‌تر، رقابت بر سر ربات‌های انسان‌نما تنها به ساخت بدنه‌ای شبیه انسان محدود نیست. توانایی انجام کارهای مفید، ایمنی تعامل با کارکنان، هزینه نگهداری، مصرف انرژی و قابلیت سازگاری با وظایف مختلف، از عواملی هستند که در استفاده صنعتی اهمیت دارند. رباتی که بتواند یک حرکت را در شرایط آزمایشگاهی تکرار کند، لزوماً برای اجرای مستقل همان فعالیت در یک کارخانه آماده نیست.
آیا ربات‌ها جایگزین کارگران خواهند شد؟
آموزش ربات‌ها با استفاده از حرکات کارگران می‌تواند زمینه خودکارسازی برخی فعالیت‌های صنعتی را فراهم کند، اما از این موضوع نمی‌توان نتیجه گرفت که همه مشاغل انسانی به‌زودی حذف خواهند شد. اثر فناوری بر اشتغال به نوع وظیفه، هزینه استفاده از ربات، میزان انعطاف‌پذیری موردنیاز و شرایط اقتصادی هر صنعت بستگی دارد.
در برخی محیط‌ها، ربات‌ها ممکن است وظایف تکراری، سنگین یا نیازمند دقت ثابت را بر عهده بگیرند و کارکنان را برای فعالیت‌هایی مانند نظارت، کنترل کیفیت، حل مسئله و نگهداری تجهیزات آزاد کنند. در مقابل، گسترش خودکارسازی می‌تواند نیاز به آموزش مهارت‌های تازه و بازطراحی برخی مشاغل را افزایش دهد. نتیجه نهایی به شیوه استقرار فناوری و تصمیم‌های سازمانی بستگی خواهد داشت.
موضوع دیگری که با افزایش استفاده از ویدیوهای کارکنان اهمیت پیدا می‌کند، حریم خصوصی و نحوه مدیریت داده‌هاست. شرکت‌ها باید مشخص کنند چه اطلاعاتی ثبت می‌شود، چگونه از آن استفاده خواهد شد و چه سازوکارهایی برای محافظت از داده‌های کارکنان در نظر گرفته شده است. داده‌های آموزشی باکیفیت زمانی می‌توانند به توسعه فناوری کمک کنند که فرایند جمع‌آوری و استفاده از آن‌ها نیز مسئولانه و شفاف باشد.
آینده آموزش هوش مصنوعی برای ربات‌های صنعتی
روش Agile Robots نمونه‌ای از تلاش برای نزدیک‌تر کردن یادگیری ماشین به مهارت‌های واقعی انسان است. استفاده از ویدیوهای حرکتی، تمرین در محیط‌های شبیه‌سازی‌شده و انتقال آموخته‌ها به ربات واقعی می‌تواند به توسعه سامانه‌هایی کمک کند که وظایف بیشتری را با برنامه‌نویسی مستقیم کمتر انجام دهند. بااین‌حال، میزان موفقیت این رویکرد به دقت داده‌ها، کیفیت مدل‌های یادگیری، توانایی تعمیم مهارت‌ها و عملکرد ربات در شرایط واقعی وابسته است.
برای گسترش این فناوری، ربات‌ها باید نه‌تنها حرکات را بازتولید کنند، بلکه بتوانند نتیجه اقدامات خود را ارزیابی کرده و در برابر تغییرات محیط واکنش مناسب نشان دهند. ترکیب داده‌های انسانی با اطلاعات حسگرها، شبیه‌سازی دقیق‌تر و آزمون‌های واقعی می‌تواند مسیر توسعه را هموار کند. در نهایت، معیار اصلی موفقیت این فناوری آن است که آیا ربات می‌تواند وظیفه موردنظر را با ایمنی، دقت، هزینه مناسب و قابلیت اطمینان کافی انجام دهد یا خیر.
برای دنبال کردن اخبار بیشتر درباره رباتیک، هوش مصنوعی و آینده اتوماسیون صنعتی، به ایران نت مراجعه کنید.
“`
