ربات‌ها مي‌توانند خاطره‌هاي بد را پاك كنند، انسان نه
مهندسان موسسه فناوري ماساچوست سامانه‌اي رباتيك ساخته‌اند كه به ماشين‌ها اجازه مي‌دهد خاطرات اشتباه خود را پاك و بازنويسي كنند. آي‌اي گزارش داده و ايسنا ترجمه كرده: پژوهشگران موسسه فناوري ماساچوست (MIT) يك سامانه جديد حافظه را توسعه داده‌اند كه به ربات‌ها كمك مي‌كند توصيف‌هاي نادرستي را كه از اشيا در حافظه خود ذخيره كرده‌اند، شناسايي و اصلاح كنند. اين سامانه كه UQ-DAAAM نام دارد، توصيف‌هاي مختلف از يك شيء واحد را كه از زواياي متفاوت ثبت شده‌اند، ارزيابي مي‌كند تا مشخص شود ربات تا چه اندازه مي‌تواند به شناسايي خود اعتماد كند. سپس براي كاهش عدم قطعيت، زواياي ديد بيشتري را انتخاب مي‌كند و مشاهدات مختلف را با يكديگر تركيب مي‌كند تا به توصيفي دقيق‌تر برسد. اطلاعات اصلاح شده در حافظه ربات ذخيره مي‌شوند و مي‌توانند توانايي آن را براي مسيريابي در محيط و انجام وظايف پيچيده بهبود ببخشند. اين فناوري، بينايي رايانه‌اي، مدل‌هاي زباني و روش‌هاي كمي‌سازي عدم قطعيت را با يكديگر تركيب مي‌كند تا نحوه شناسايي و به خاطر سپردن اشياء توسط ربات‌ها را بهبود ببخشد. اين سامانه بر پايه يك چارچوب حافظه رباتيك قديمي‌تر به نام DAAAM ساخته شده است. اين چارچوب از يك مدل بينايي-زباني (VLM) براي توليد توصيف‌هاي دقيق از اشيايي استفاده مي‌كند كه دوربين‌هاي نصب شده روي ربات ثبت مي‌كنند. اين توصيف‌ها در قالب يك نقشه سه‌بعدي از محيط ذخيره مي‌شوند و به ربات اجازه مي‌دهد هنگام پاسخ دادن به پرسش‌ها يا انجام وظايف، اطلاعات مربوط به اشيا را بازيابي كند. با اين حال، سامانه اوليه محدوديت‌هايي دارد؛ به ويژه زماني كه اشيا به‌طور ناقص ديده مي‌شوند، در فاصله دور قرار دارند يا تصاوير آنها تار و كم‌نور هستند. در چنين شرايطي، مدل بينايي-زباني ممكن است توصيف‌هاي اشتباهي را توليد كند. براي مثال، ممكن است يك دودكش خاكستري روي پشت‌بام را با يك سنجاب اشتباه بگيرد! از آنجا كه سامانه اوليه سازوكاري براي اصلاح اين خطاها ندارد، اطلاعات نادرست ممكن است براي مدت طولاني در حافظه ربات باقي بمانند و بر تصميم‌گيري‌هاي بعدي آن تاثير بگذارند.
UQ-DAAAM با معرفي روشي براي اندازه‌گيري ميزان عدم قطعيت در توصيف‌هاي توليد شده توسط مدل بينايي-زباني، اين مشكل را برطرف مي‌كند. وقتي ربات در محيط حركت مي‌كند، دوربين‌هاي آن به‌طور مداوم تصاوير جديدي ثبت مي‌كنند و ممكن است يك شيء مشخص را از زواياي مختلف به تصوير بكشند. سامانه جديد از اين مشاهدات اضافي استفاده مي‌كند تا مشخص كند آيا توصيف قبلي از آن شيء قابل اعتماد است يا خير؟ به گفته پژوهشگران، اين سامانه ابتدا ميزان اطمينان مدل به كلماتي را كه هنگام توصيف يك شيء با هويت احتمالا اشتباه توليد كرده، ارزيابي مي‌كند. سپس با مقايسه توصيف اوليه با شرح‌هايي كه از تصاوير همان شيء در زواياي مختلف توليد شده‌اند، ميزان سازگاري آنها را مي‌سنجد.
سامانه در ادامه اين دو معيار را با يكديگر تركيب مي‌كند و به يك امتياز واحد براي عدم قطعيت مي‌رسد كه نشان‌دهنده ميزان اطمينان آن به شناسايي يك شيء است. اگر اين امتياز از آستانه تعيين‌شده فراتر برود، UQ-DAAAM تشخيص مي‌دهد كه توصيف موجود ممكن است قابل اعتماد نباشد و فرآيند اصلاح آن را آغاز مي‌كند.
اين سامانه به جاي تحليل تمام تصاوير ثبت شده، از يك روش مبتني بر قواعد مشخص استفاده مي‌كند تا زاويه‌هاي ديد اضافي و مفيدي را انتخاب كند كه مي‌توانند به كاهش عدم قطعيت كمك كنند. براي مثال، اگر ربات يك دودكش را با شيء ديگري اشتباه بگيرد، ممكن است تصويري را انتخاب كند كه در آن دود در حال خارج شدن از دودكش ديده مي‌شود. چنين تصويري مي‌تواند به ربات كمك كند تا ماهيت واقعي آن سازه را با دقت بيشتري تشخيص دهد. پژوهشگران از نظر رياضي نشان داده‌اند كه اين روش انتخاب تصاوير مي‌تواند بدون نياز به اجراي مكرر مدل بينايي-زباني، تصاوير مفيد را شناسايي كند. اين ويژگي نياز محاسباتي سامانه را كاهش مي‌دهد و امكان اجراي آن روي ربات‌هاي متحركي را فراهم مي‌كند كه منابع پردازشي محدودي دارند. پس از انتخاب تصاوير اضافي، يك مدل زباني بزرگ (LLM) توصيف‌هاي مربوط به آنها را با يكديگر تركيب مي‌كند و شرح اصلاح شده‌اي از شيء مي‌سازد.
در آزمايش‌ها، فرآيند اصلاح توانست ابهام‌هاي مربوط به حدود ۹۲ درصد از اشياي موجود در محيط ربات را برطرف كند؛ آن هم با استفاده از تنها دو توصيف اضافي براي هر شيء. همچنين دقت توصيف اشياء در اين سامانه در مقايسه با روش‌هاي پيشرفته موجود، پنج درصد بهبود پيدا كرد. اين گروه پژوهشي قصد دارد در ادامه، اين فناوري را براي پلتفرم‌هاي رباتيك مختلف، از جمله ربات‌هاي متحرك مجهز به بازوي مكانيكي توسعه دهد.