சுருக்கமான பதில்: ரோபோக்கள் உணர்தல், புரிதல், திட்டமிடல், செயல்படுதல் மற்றும் கற்றல் ஆகியவற்றின் தொடர்ச்சியான சுழற்சியை இயக்க AI ஐப் பயன்படுத்துகின்றன, இதனால் அவை குழப்பமான, மாறிவரும் சூழல்களில் பாதுகாப்பாக நகரவும் வேலை செய்யவும் முடியும். சென்சார்கள் சத்தம் போடும்போது அல்லது நம்பிக்கை குறையும் போது, நன்கு வடிவமைக்கப்பட்ட அமைப்புகள் வேகத்தைக் குறைக்கின்றன, பாதுகாப்பாக நிறுத்தப்படுகின்றன அல்லது யூகிக்காமல் உதவி கேட்கின்றன.
முக்கிய குறிப்புகள்:
சுயாட்சி சுழற்சி : உணர்வு-புரிந்துகொள்ளுதல்-திட்டமிடுதல்-செயல்படுதல்-கற்றல் ஆகியவற்றைச் சுற்றி அமைப்புகளை உருவாக்குங்கள், ஒரு மாதிரியை அல்ல.
உறுதித்தன்மை : கண்ணை கூசுதல், ஒழுங்கீனம், வழுக்குதல் மற்றும் எதிர்பாராத விதமாக மக்கள் நடமாட்டம் ஆகியவற்றுக்கான வடிவமைப்பு.
நிச்சயமற்ற தன்மை : நம்பிக்கையை வெளிப்படுத்தி, அதைப் பயன்படுத்தி பாதுகாப்பான, மிகவும் பழமைவாத நடத்தையைத் தூண்டுதல்.
பாதுகாப்பு பதிவுகள் : செயல்களையும் சூழலையும் பதிவு செய்யுங்கள், இதனால் தோல்விகள் தணிக்கை செய்யப்பட்டு சரிசெய்யப்படும்.
கலப்பின அடுக்கு : நம்பகத்தன்மைக்காக ML ஐ இயற்பியல் கட்டுப்பாடுகள் மற்றும் கிளாசிக்கல் கட்டுப்பாட்டுடன் இணைக்கவும்.
ரோபோக்கள் திறம்பட செயல்பட AI எவ்வாறு உள்ளே வெளிப்படுகிறது என்பதற்கான ஒரு கண்ணோட்டம் கீழே உள்ளது.
இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:
🔗 எலோன் மஸ்க்கின் ரோபோக்கள் வேலைகளை அச்சுறுத்தும் போது
டெஸ்லாவின் ரோபோக்கள் என்ன செய்ய முடியும், எந்தெந்த பாத்திரங்கள் மாறக்கூடும்.
🔗 மனித உருவ ரோபோ AI என்றால் என்ன?
மனித உருவ ரோபோக்கள் எவ்வாறு வழிமுறைகளை உணர்கின்றன, நகர்த்துகின்றன மற்றும் பின்பற்றுகின்றன என்பதை அறிக.
🔗 AI எந்த வேலைகளை மாற்றும்?
ஆட்டோமேஷனுக்கு மிகவும் வெளிப்படும் பாத்திரங்கள் மற்றும் மதிப்புமிக்கதாக இருக்கும் திறன்கள்.
🔗 செயற்கை நுண்ணறிவு வேலைகள் மற்றும் எதிர்கால தொழில்கள்
இன்றைய AI தொழில் பாதைகள் மற்றும் AI எவ்வாறு வேலைவாய்ப்பு போக்குகளை மறுவடிவமைக்கிறது.
ரோபோக்கள் AI-ஐ எவ்வாறு பயன்படுத்துகின்றன? விரைவான மன மாதிரி
பெரும்பாலான AI-இயக்கப்பட்ட ரோபோக்கள் இது போன்ற ஒரு சுழற்சியைப் பின்பற்றுகின்றன:
-
சென்ஸ் 👀: கேமராக்கள், மைக்ரோஃபோன்கள், LiDAR, ஃபோர்ஸ் சென்சார்கள், வீல் என்கோடர்கள் போன்றவை.
-
புரிந்து கொள்ளுங்கள் 🧠: பொருட்களைக் கண்டறிதல், நிலையை மதிப்பிடுதல், சூழ்நிலைகளை அடையாளம் காணுதல், இயக்கத்தை கணித்தல்.
-
திட்டம் 🗺️: இலக்குகளைத் தேர்வுசெய்யவும், பாதுகாப்பான பாதைகளைக் கணக்கிடவும், பணிகளைத் திட்டமிடவும்.
-
செயல் 🦾: மோட்டார் கட்டளைகளை உருவாக்குதல், பிடி, உருட்டுதல், சமநிலைப்படுத்துதல், தடைகளைத் தவிர்க்கவும்.
-
அறிக 🔁: தரவிலிருந்து கருத்து அல்லது நடத்தையை மேம்படுத்தவும் (சில நேரங்களில் ஆன்லைனில், பெரும்பாலும் ஆஃப்லைனில்).
நிறைய ரோபோடிக் "AI" என்பது உண்மையில் ஒன்றாகச் செயல்படும் துண்டுகளின் தொகுப்பாகும் - கருத்து , மாநில மதிப்பீடு , திட்டமிடல் மற்றும் கட்டுப்பாடு - இவை கூட்டாக சுயாட்சியை உருவாக்குகின்றன.
ஒரு நடைமுறை "கள" யதார்த்தம்: கடினமான பகுதி என்னவென்றால், ஒரு சுத்தமான டெமோவில் ஒரு ரோபோவை ஏதாவது செய்ய வைப்பதில்லை - விளக்குகள் மாறும்போது, சக்கரங்கள் நழுவும்போது, தரை பளபளப்பாக இருக்கும்போது, அலமாரிகள் நகர்ந்திருக்கும்போது, மக்கள் கணிக்க முடியாத NPCகளைப் போல நடக்கும்போது நம்பத்தகுந்த முறையில்
ஒரு ரோபோவுக்கு நல்ல AI மூளை எது?
ஒரு திடமான ரோபோ AI அமைப்பு வெறும் புத்திசாலித்தனமாக இருக்கக்கூடாது - அது கணிக்க முடியாத, நிஜ உலக சூழல்களில் நம்பகமானதாகவும்
முக்கியமான பண்புகள் பின்வருமாறு:
-
நிகழ்நேர செயல்திறன் ⏱️ (முடிவெடுப்பதற்கு சரியான நேரத்தில் செயல்படுவது முக்கியம்)
-
குழப்பமான தரவுகளுக்கு (கண்ணை கூசும் தன்மை, சத்தம், குழப்பம், இயக்க மங்கல்)
-
அழகான தோல்வி முறைகள் 🧯 (வேகத்தைக் குறைக்கவும், பாதுகாப்பாக நிறுத்தவும், உதவி கேட்கவும்)
-
நல்ல முன்னோடிகள் + நல்ல கற்றல் (இயற்பியல் + கட்டுப்பாடுகள் + ML - வெறும் "அதிர்வுகள்" அல்ல)
-
அளவிடக்கூடிய புலனுணர்வு தரம் 📏 (சென்சார்கள்/மாடல்கள் எப்போது சிதைக்கப்படுகின்றன என்பதை அறிவது)
சிறந்த ரோபோக்கள் பெரும்பாலும் ஒரு முறை ஒரு அற்புதமான தந்திரத்தைச் செய்யக்கூடியவை அல்ல, ஆனால் சலிப்பூட்டும் வேலைகளை நாள் முழுவதும் நன்றாகச் செய்யக்கூடியவை.
பொதுவான ரோபோ AI கட்டுமானத் தொகுதிகளின் ஒப்பீட்டு அட்டவணை
| AI துண்டு / கருவி | இது யாருக்கானது? | விலை அதிகம் | இது ஏன் வேலை செய்கிறது |
|---|---|---|---|
| கணினி பார்வை (பொருள் கண்டறிதல், பிரிவு) 👁️ | மொபைல் ரோபோக்கள், ஆயுதங்கள், ட்ரோன்கள் | நடுத்தரம் | காட்சி உள்ளீட்டை பொருள் அடையாளம் காணல் போன்ற பயன்படுத்தக்கூடிய தரவாக மாற்றுகிறது |
| SLAM (மேப்பிங் + உள்ளூர்மயமாக்கல்) 🗺️ | சுற்றி நகரும் ரோபோக்கள் | நடுத்தர-உயர் | ரோபோவின் நிலையைக் கண்காணிக்கும் போது ஒரு வரைபடத்தை உருவாக்குகிறது, இது வழிசெலுத்தலுக்கு மிகவும் முக்கியமானது [1] |
| பாதை திட்டமிடல் + தடைகளைத் தவிர்ப்பது 🚧 | டெலிவரி போட்கள், கிடங்கு AMRகள் | நடுத்தரம் | பாதுகாப்பான வழிகளைக் கணக்கிட்டு, நிகழ்நேரத்தில் தடைகளுக்கு ஏற்ப மாற்றியமைக்கிறது |
| கிளாசிக்கல் கட்டுப்பாடு (PID, மாதிரி அடிப்படையிலான கட்டுப்பாடு) 🎛️ | மோட்டார்கள் உள்ள எதையும் | குறைந்த | நிலையான, கணிக்கக்கூடிய இயக்கத்தை உறுதி செய்கிறது |
| வலுவூட்டல் கற்றல் (RL) 🎮 | சிக்கலான திறன்கள், கையாளுதல், இயக்கம் | உயர் | வெகுமதி சார்ந்த சோதனை மற்றும் பிழை கொள்கைகள் மூலம் கற்றுக்கொள்கிறது [3] |
| பேச்சு + மொழி (ASR, நோக்கம், LLMகள்) 🗣️ | உதவியாளர்கள், சேவை ரோபோக்கள் | நடுத்தர-உயர் | இயற்கையான மொழி மூலம் மனிதர்களுடன் தொடர்பு கொள்ள அனுமதிக்கிறது |
| ஒழுங்கின்மை கண்டறிதல் + கண்காணிப்பு 🚨 | தொழிற்சாலைகள், சுகாதாரம், பாதுகாப்பு மிக முக்கியமானது | நடுத்தரம் | அசாதாரண வடிவங்கள் விலை உயர்ந்ததாகவோ அல்லது ஆபத்தானதாகவோ மாறுவதற்கு முன்பு அவற்றைக் கண்டறிகிறது |
| சென்சார் இணைவு (கல்மான் வடிகட்டிகள், கற்றறிந்த இணைவு) 🧩 | வழிசெலுத்தல், ட்ரோன்கள், தன்னாட்சி அடுக்குகள் | நடுத்தரம் | மிகவும் துல்லியமான மதிப்பீடுகளுக்கு சத்தமான தரவு மூலங்களை இணைக்கிறது [1] |
கருத்து: ரோபோக்கள் மூல சென்சார் தரவை எவ்வாறு அர்த்தமாக மாற்றுகின்றன
உணர்தல் என்பது ரோபோக்கள் சென்சார் ஸ்ட்ரீம்களை அவர்கள் உண்மையில் பயன்படுத்தக்கூடிய ஒன்றாக மாற்றும் இடமாகும்:
-
கேமராக்கள் → பொருள் அங்கீகாரம், போஸ் மதிப்பீடு, காட்சி புரிதல்
-
LiDAR → தூரம் + தடை வடிவியல்
-
ஆழ கேமராக்கள் → 3D அமைப்பு மற்றும் இலவச இடம்
-
மைக்ரோஃபோன்கள் → பேச்சு மற்றும் ஒலி குறிப்புகள்
-
விசை/முறுக்கு உணரிகள் → பாதுகாப்பான பிடிப்பு மற்றும் ஒத்துழைப்பு
-
தொட்டுணரக்கூடிய உணரிகள் → வழுக்கும் கண்டறிதல், தொடர்பு நிகழ்வுகள்
இது போன்ற கேள்விகளுக்கு பதிலளிக்க ரோபோக்கள் AI-ஐ நம்பியுள்ளன:
-
"எனக்கு முன்னால் என்னென்ன பொருட்கள் உள்ளன?"
-
"அது ஒரு நபரா அல்லது ஒரு மேனெக்வினா?"
-
"கைப்பிடி எங்கே?"
-
"என்னை நோக்கி ஏதாவது நகர்கிறதா?"
நிச்சயமற்ற தன்மையை (அல்லது நம்பிக்கைப் பிரதிநிதி) வெளிப்படுத்த வேண்டும் ரோபோ எவ்வளவு உறுதியாக
உள்ளூர்மயமாக்கல் மற்றும் மேப்பிங்: பீதியடையாமல் நீங்கள் எங்கிருக்கிறீர்கள் என்பதை அறிதல்
ஒரு ரோபோ சரியாகச் செயல்பட அது எங்கே இருக்கிறது என்பதை அறிந்திருக்க வேண்டும். இது பெரும்பாலும் SLAM (ஒரே நேரத்தில் உள்ளூர்மயமாக்கல் மற்றும் மேப்பிங்) : ஒரே நேரத்தில் ரோபோவின் போஸை மதிப்பிடும் போது ஒரு வரைபடத்தை உருவாக்குதல். கிளாசிக் சூத்திரங்களில், EKF- அடிப்படையிலான மற்றும் துகள்-வடிகட்டி அடிப்படையிலான அணுகுமுறைகள் உள்ளிட்ட பொதுவான குடும்பங்களுடன் SLAM ஒரு நிகழ்தகவு மதிப்பீட்டு சிக்கலாகக் கருதப்படுகிறது. [1]
ரோபோ பொதுவாக இவற்றை ஒருங்கிணைக்கிறது:
-
சக்கர ஓடோமெட்ரி (அடிப்படை கண்காணிப்பு)
-
LiDAR ஸ்கேன் பொருத்தம் அல்லது காட்சி அடையாளங்கள்
-
IMUகள் (சுழற்சி/முடுக்கம்)
-
ஜிபிஎஸ் (வெளிப்புறங்களில், வரம்புகளுடன்)
ரோபோக்களை எப்போதும் முழுமையாக உள்ளூர்மயமாக்க முடியாது - எனவே நல்ல அடுக்குகள் பெரியவர்களைப் போல செயல்படுகின்றன: நிச்சயமற்ற தன்மையைக் கண்காணிக்கவும், சறுக்கலைக் கண்டறியவும், நம்பிக்கை குறையும் போது பாதுகாப்பான நடத்தைக்குத் திரும்பவும்.
திட்டமிடல் மற்றும் முடிவெடுத்தல்: அடுத்து என்ன செய்ய வேண்டும் என்பதைத் தேர்ந்தெடுப்பது
ஒரு ரோபோ உலகத்தைப் பற்றிய செயல்படக்கூடிய படத்தைப் பெற்றவுடன், அது என்ன செய்ய வேண்டும் என்பதைத் தீர்மானிக்க வேண்டும். திட்டமிடல் பெரும்பாலும் இரண்டு அடுக்குகளில் தோன்றும்:
-
உள்ளூர் திட்டமிடல் (வேகமான அனிச்சைகள்) ⚡
தடைகளைத் தவிர்க்கவும், மக்கள் அருகே மெதுவாகச் செல்லவும், பாதைகள்/தாழ்வாரங்களைப் பின்பற்றவும். -
உலகளாவிய திட்டமிடல் (பெரிய படம்) 🧭
சேருமிடங்களைத் தேர்வுசெய்யவும், தடுக்கப்பட்ட பகுதிகளைச் சுற்றிச் செல்லவும், பணிகளைத் திட்டமிடவும்.
நடைமுறையில், இங்குதான் ரோபோ "எனக்கு ஒரு தெளிவான பாதை தெரிகிறது என்று நினைக்கிறேன்" என்பதை ஒரு அலமாரியின் மூலையை வெட்டவோ அல்லது மனிதனின் தனிப்பட்ட இடத்திற்குள் செல்லவோ முடியாத உறுதியான இயக்க கட்டளைகளாக மாற்றுகிறது.
கட்டுப்பாடு: திட்டங்களை மென்மையான இயக்கமாக மாற்றுதல்
கட்டுப்பாட்டு அமைப்புகள் திட்டமிட்ட செயல்களை உண்மையான இயக்கமாக மாற்றுகின்றன, அதே நேரத்தில் நிஜ உலக எரிச்சல்களைக் கையாளுகின்றன:
-
உராய்வு
-
சுமை மாற்றங்கள்
-
புவியீர்ப்பு விசை
-
மோட்டார் தாமதங்கள் மற்றும் எதிர்வினைகள்
பொதுவான கருவிகளில் PID , மாதிரி அடிப்படையிலான கட்டுப்பாடு , மாதிரி முன்கணிப்பு கட்டுப்பாடு மற்றும் தலைகீழ் இயக்கவியல் கூட்டு இயக்கங்களாக அங்கேயே வைக்கும்" கணிதம்
இதைப் பற்றி சிந்திக்க ஒரு பயனுள்ள வழி:
திட்டமிடல் ஒரு பாதையைத் தேர்ந்தெடுக்கிறது.
கட்டுப்பாடு ரோபோவை காஃபின் கலந்த ஷாப்பிங் வண்டியைப் போல தள்ளாடாமல், அதிகமாகச் செல்லாமல் அல்லது அதிர்வுறாமல் உண்மையில் அதைப் பின்பற்ற வைக்கிறது.
கற்றல்: என்றென்றும் மறு நிரல் செய்யப்படுவதற்குப் பதிலாக ரோபோக்கள் எவ்வாறு மேம்படுகின்றன
ஒவ்வொரு சுற்றுச்சூழல் மாற்றத்திற்குப் பிறகும் கைமுறையாக மறுசீரமைப்பு செய்யப்படுவதை விட, தரவுகளிலிருந்து கற்றுக்கொள்வதன் மூலம் ரோபோக்கள் மேம்பட முடியும்.
முக்கிய கற்றல் அணுகுமுறைகளில் பின்வருவன அடங்கும்:
-
மேற்பார்வையிடப்பட்ட கற்றல் 📚: பெயரிடப்பட்ட எடுத்துக்காட்டுகளிலிருந்து கற்றுக்கொள்ளுங்கள் (எ.கா., "இது ஒரு தட்டு").
-
சுய மேற்பார்வை கற்றல் 🔍: மூல தரவுகளிலிருந்து கட்டமைப்பைக் கற்றுக்கொள்ளுங்கள் (எ.கா., எதிர்கால சட்டங்களை கணித்தல்).
-
வலுவூட்டல் கற்றல் 🎯: காலப்போக்கில் வெகுமதி சமிக்ஞைகளை அதிகப்படுத்துவதன் மூலம் செயல்களைக் கற்றுக்கொள்ளுங்கள் (பெரும்பாலும் முகவர்கள், சூழல்கள் மற்றும் வருமானங்களுடன் வடிவமைக்கப்பட்டுள்ளது). [3]
RL பிரகாசிக்கும் இடம்: கட்டுப்படுத்தியை கையால் வடிவமைப்பது வேதனையாக இருக்கும் சிக்கலான நடத்தைகளைக் கற்றுக்கொள்வது.
RL காரமானதாக மாறும் இடம்: தரவு செயல்திறன், ஆய்வின் போது பாதுகாப்பு மற்றும் சிம்-டு-ரியல் இடைவெளிகள்.
மனித-ரோபோ தொடர்பு: ரோபோக்கள் மக்களுடன் இணைந்து பணியாற்ற உதவும் AI
வீடுகள் அல்லது பணியிடங்களில் உள்ள ரோபோக்களுக்கு, தொடர்பு முக்கியமானது. AI செயல்படுத்துகிறது:
-
பேச்சு அங்கீகாரம் (ஒலி → வார்த்தைகள்)
-
உள்நோக்கத்தைக் கண்டறிதல் (சொற்கள் → பொருள்)
-
சைகை புரிதல் (சுட்டிக்காட்டுதல், உடல் மொழி)
நீங்கள் இதை அனுப்பும் வரை இது எளிமையாகத் தோன்றும்: மனிதர்கள் சீரற்றவர்கள், உச்சரிப்புகள் மாறுபடும், அறைகள் சத்தமாக இருக்கும், மேலும் "அங்கே" என்பது ஒரு ஒருங்கிணைப்புச் சட்டகம் அல்ல.
நம்பிக்கை, பாதுகாப்பு மற்றும் "பயமுறுத்தாதீர்கள்": குறைவான வேடிக்கையான ஆனால் அவசியமான பகுதி
ரோபோக்கள் என்பது உடல் ரீதியான விளைவுகளைக் , எனவே நம்பிக்கை மற்றும் பாதுகாப்பு நடைமுறைகள் ஒரு பின் சிந்தனையாக இருக்க முடியாது.
நடைமுறை பாதுகாப்பு சாரக்கட்டு பெரும்பாலும் பின்வருவனவற்றை உள்ளடக்குகிறது:
-
நம்பிக்கை/நிச்சயமற்ற தன்மையைக் கண்காணித்தல்
-
புலனுணர்வு குறையும் போது பழமைவாத நடத்தைகள்
-
பிழைத்திருத்தம் மற்றும் தணிக்கைகளுக்கான செயல்களைப் பதிவு செய்தல்
-
ரோபோ என்ன செய்ய முடியும் என்பதற்கான தெளிவான எல்லைகள்
இதை வடிவமைப்பதற்கான ஒரு பயனுள்ள உயர் மட்ட வழி இடர் மேலாண்மை: நிர்வாகம், இடர்களை மேப்பிங் செய்தல், அவற்றை அளவிடுதல் மற்றும் வாழ்க்கைச் சுழற்சி முழுவதும் அவற்றை நிர்வகித்தல் - NIST AI இடர் மேலாண்மையை எவ்வாறு பரந்த அளவில் கட்டமைக்கிறது என்பதோடு சீரமைக்கப்பட்டது. [4]
"பெரிய மாதிரி" போக்கு: அடித்தள மாதிரிகளைப் பயன்படுத்தும் ரோபோக்கள்
அடிப்படை மாதிரிகள், குறிப்பாக மொழி, பார்வை மற்றும் செயல் ஆகியவை ஒன்றாக மாதிரியாகக் கொள்ளப்படும்போது, மிகவும் பொதுவான நோக்கத்திற்கான ரோபோ நடத்தையை நோக்கித் தள்ளப்படுகின்றன.
ஒரு உதாரண திசை என்பது பார்வை-மொழி-செயல் (VLA) மாதிரிகள் ஆகும், அங்கு ஒரு அமைப்பு என்ன பார்க்கிறது + என்ன செய்யச் சொல்லப்படுகிறது + என்ன நடவடிக்கைகள் எடுக்க வேண்டும் என்பதை இணைக்க பயிற்சி அளிக்கப்படுகிறது. RT-2 இந்த அணுகுமுறை பாணியின் பரவலாக மேற்கோள் காட்டப்பட்ட எடுத்துக்காட்டு. [5]
உற்சாகமான பகுதி: மிகவும் நெகிழ்வான, உயர் மட்ட புரிதல்.
யதார்த்த சரிபார்ப்பு: இயற்பியல்-உலக நம்பகத்தன்மைக்கு இன்னும் பாதுகாப்புத் தடுப்புகள் தேவை - கிளாசிக் மதிப்பீடு, பாதுகாப்பு கட்டுப்பாடுகள் மற்றும் பழமைவாத கட்டுப்பாடு ஆகியவை ரோபோ "புத்திசாலித்தனமாகப் பேச" முடியும் என்பதற்காக மட்டும் போய்விடாது.
இறுதி குறிப்புகள்
எனவே, ரோபோக்கள் AI ஐ எவ்வாறு பயன்படுத்துகின்றன? ரோபோக்கள் AI ஐப் பயன்படுத்தி நிலையை (நான் எங்கே இருக்கிறேன்?) உணரவும் , , திட்டமிடவும் , கட்டுப்படுத்தவும் - சில சமயங்களில் கற்றுக்கொள்ளவும் மேம்படுத்தவும் பயன்படுத்துகின்றன. AI ரோபோக்களை மாறும் சூழல்களின் சிக்கலான தன்மையைக் கையாள உதவுகிறது, ஆனால் வெற்றி என்பது பாதுகாப்புக்கு முன்னுரிமை அளிக்கும் நம்பகமான, அளவிடக்கூடிய அமைப்புகளைப் பொறுத்தது.
அடிக்கடி கேட்கப்படும் கேள்விகள்
ரோபோக்கள் தன்னியக்கமாக இயங்க AI-ஐ எவ்வாறு பயன்படுத்துகின்றன?
ரோபோக்கள் தொடர்ச்சியான தன்னாட்சி சுழற்சியை இயக்க AI ஐப் பயன்படுத்துகின்றன: உலகை உணர்ந்தல், என்ன நடக்கிறது என்பதை விளக்குதல், பாதுகாப்பான அடுத்த கட்டத்தைத் திட்டமிடுதல், மோட்டார்கள் மூலம் செயல்படுதல் மற்றும் தரவுகளிலிருந்து கற்றல். நடைமுறையில், இது ஒரு "மாயாஜால" மாதிரியை விட இசைவாக செயல்படும் கூறுகளின் தொகுப்பாகும். இதன் நோக்கம் மாறிவரும் சூழல்களில் நம்பகமான நடத்தை, சரியான நிலைமைகளின் கீழ் ஒரு முறை மட்டுமே நிரூபிப்பது அல்ல.
ரோபோ AI என்பது வெறும் ஒரு மாடலா அல்லது முழு சுயாட்சி அடுக்கா?
பெரும்பாலான அமைப்புகளில், ரோபோ AI என்பது முழுமையான தொகுப்பாகும்: உணர்தல், நிலை மதிப்பீடு, திட்டமிடல் மற்றும் கட்டுப்பாடு. இயந்திர கற்றல் பார்வை மற்றும் கணிப்பு போன்ற பணிகளுக்கு உதவுகிறது, அதே நேரத்தில் இயற்பியல் கட்டுப்பாடுகள் மற்றும் கிளாசிக்கல் கட்டுப்பாடு இயக்கத்தை நிலையானதாகவும் கணிக்கக்கூடியதாகவும் வைத்திருக்கின்றன. பல உண்மையான பயன்பாடுகள் ஒரு கலப்பின அணுகுமுறையைப் பயன்படுத்துகின்றன, ஏனெனில் நம்பகத்தன்மை புத்திசாலித்தனத்தை விட முக்கியமானது. அதனால்தான் "அதிர்வுகள்-மட்டும்" கற்றல் கட்டுப்படுத்தப்பட்ட அமைப்புகளுக்கு வெளியே அரிதாகவே நிலைத்திருக்கும்.
AI ரோபோக்கள் என்ன சென்சார்கள் மற்றும் புலனுணர்வு மாதிரிகளை நம்பியுள்ளன?
AI ரோபோக்கள் பெரும்பாலும் கேமராக்கள், LiDAR, ஆழ உணரிகள், மைக்ரோஃபோன்கள், IMUகள், குறியாக்கிகள் மற்றும் ஃபோர்ஸ்/டார்க் அல்லது தொட்டுணரக்கூடிய உணரிகள் ஆகியவற்றை இணைக்கின்றன. புலனுணர்வு மாதிரிகள் இந்த ஸ்ட்ரீம்களை பொருள் அடையாளம், போஸ், இலவச இடம் மற்றும் இயக்க குறிப்புகள் போன்ற பயன்படுத்தக்கூடிய சமிக்ஞைகளாக மாற்றுகின்றன. லேபிள்களை மட்டும் வெளியிடாமல், நம்பிக்கை அல்லது நிச்சயமற்ற தன்மையை வெளியிடுவதே ஒரு நடைமுறை சிறந்த நடைமுறை. அந்த நிச்சயமற்ற தன்மை சென்சார்கள் கண்ணை கூசும், மங்கலான அல்லது குழப்பத்திலிருந்து சிதைவடையும் போது பாதுகாப்பான திட்டமிடலுக்கு வழிகாட்டும்.
ரோபாட்டிக்ஸில் SLAM என்றால் என்ன, அது ஏன் முக்கியமானது?
SLAM (ஒரே நேரத்தில் உள்ளூர்மயமாக்கல் மற்றும் மேப்பிங்) ஒரு ரோபோ ஒரு வரைபடத்தை உருவாக்க உதவுகிறது, அதே நேரத்தில் அதன் சொந்த நிலையை மதிப்பிடுகிறது. நிலைமைகள் மாறும்போது "பீதியடையாமல்" நகரும் மற்றும் வழிசெலுத்த வேண்டிய ரோபோக்களுக்கு இது மையமானது. வழக்கமான உள்ளீடுகளில் சக்கர ஓடோமெட்ரி, IMUகள் மற்றும் LiDAR அல்லது பார்வை அடையாளங்கள், சில நேரங்களில் வெளிப்புறங்களில் GPS ஆகியவை அடங்கும். நல்ல அடுக்குகள் சறுக்கல் மற்றும் நிச்சயமற்ற தன்மையைக் கண்காணிக்கின்றன, இதனால் உள்ளூர்மயமாக்கல் நடுங்கும் போது ரோபோ மிகவும் பழமைவாதமாக நடந்து கொள்ள முடியும்.
ரோபோ திட்டமிடல் மற்றும் ரோபோ கட்டுப்பாடு எவ்வாறு வேறுபடுகின்றன?
திட்டமிடல் என்பது ரோபோ அடுத்து என்ன செய்ய வேண்டும் என்பதை தீர்மானிக்கிறது, அதாவது இலக்கைத் தேர்ந்தெடுப்பது, தடைகளைச் சுற்றிச் செல்வது அல்லது மக்களைத் தவிர்ப்பது போன்றவை. உராய்வு, சுமை மாற்றங்கள் மற்றும் மோட்டார் தாமதங்கள் இருந்தபோதிலும் கட்டுப்பாடு அந்தத் திட்டத்தை மென்மையான, நிலையான இயக்கமாக மாற்றுகிறது. திட்டமிடல் பெரும்பாலும் உலகளாவிய திட்டமிடல் (பெரிய பட வழிகள்) மற்றும் உள்ளூர் திட்டமிடல் (தடைகளுக்கு அருகில் வேகமான அனிச்சைகள்) எனப் பிரிக்கப்படுகிறது. திட்டத்தை நம்பத்தகுந்த முறையில் பின்பற்ற கட்டுப்பாடு பொதுவாக PID, மாதிரி அடிப்படையிலான கட்டுப்பாடு அல்லது மாதிரி முன்கணிப்பு கட்டுப்பாடு போன்ற கருவிகளைப் பயன்படுத்துகிறது.
நிச்சயமற்ற தன்மை அல்லது குறைந்த நம்பிக்கையை ரோபோக்கள் எவ்வாறு பாதுகாப்பாகக் கையாளுகின்றன?
நன்கு வடிவமைக்கப்பட்ட ரோபோக்கள் நிச்சயமற்ற தன்மையை நடத்தைக்கான உள்ளீடாகக் கருதுகின்றன, புறக்கணிக்க வேண்டிய ஒன்றல்ல. கருத்து அல்லது உள்ளூர்மயமாக்கல் நம்பிக்கை குறையும் போது, ஒரு பொதுவான அணுகுமுறை மெதுவாக்குதல், பாதுகாப்பு ஓரங்களை அதிகரித்தல், பாதுகாப்பாக நிறுத்துதல் அல்லது யூகிப்பதற்குப் பதிலாக மனித உதவியைக் கோருதல் ஆகும். அமைப்புகள் செயல்களையும் சூழலையும் பதிவு செய்கின்றன, இதனால் சம்பவங்கள் தணிக்கை செய்யக்கூடியதாகவும் சரிசெய்ய எளிதாகவும் இருக்கும். இந்த "அழகான தோல்வி" மனநிலையானது டெமோக்களுக்கும் பயன்படுத்தக்கூடிய ரோபோக்களுக்கும் இடையிலான ஒரு முக்கிய வேறுபாடாகும்.
ரோபோக்களுக்கு வலுவூட்டல் கற்றல் எப்போது பயனுள்ளதாக இருக்கும், அதை கடினமாக்குவது எது?
வலுவூட்டல் கற்றல் பெரும்பாலும் கையாளுதல் அல்லது இயக்கம் போன்ற சிக்கலான திறன்களுக்குப் பயன்படுத்தப்படுகிறது, அங்கு கட்டுப்படுத்தியை கையால் வடிவமைப்பது வேதனையானது. வெகுமதி சார்ந்த சோதனை மற்றும் பிழை மூலம், பெரும்பாலும் உருவகப்படுத்துதலில் பயனுள்ள நடத்தைகளைக் கண்டறிய முடியும். ஆய்வு பாதுகாப்பற்றதாக இருக்கலாம், தரவு விலை உயர்ந்ததாக இருக்கலாம், மேலும் சிம்-டு-ரியல் இடைவெளிகள் கொள்கைகளை உடைக்கக்கூடும் என்பதால் வரிசைப்படுத்தல் தந்திரமானது. பல குழாய்வழிகள் பாதுகாப்பு மற்றும் நிலைத்தன்மைக்காக கட்டுப்பாடுகள் மற்றும் கிளாசிக்கல் கட்டுப்பாட்டுடன் சேர்த்து, தேர்ந்தெடுக்கப்பட்ட முறையில் RL ஐப் பயன்படுத்துகின்றன.
ரோபோக்கள் AI ஐ எவ்வாறு பயன்படுத்துகின்றன என்பதை அடித்தள மாதிரிகள் மாற்றுகின்றனவா?
அறக்கட்டளை-மாதிரி அணுகுமுறைகள், குறிப்பாக RT-2-பாணி அமைப்புகள் போன்ற பார்வை-மொழி-செயல் (VLA) மாதிரிகளுடன், ரோபோக்களை மிகவும் பொதுவான, அறிவுறுத்தல்-பின்வரும் நடத்தையை நோக்கித் தள்ளுகின்றன. இதன் நன்மை நெகிழ்வுத்தன்மை: ரோபோ என்ன பார்க்கிறது, அது என்ன செய்யச் சொல்லப்படுகிறது, அது எவ்வாறு செயல்பட வேண்டும் என்பதோடு இணைத்தல். உண்மை என்னவென்றால், கிளாசிக் மதிப்பீடு, பாதுகாப்பு கட்டுப்பாடுகள் மற்றும் பழமைவாத கட்டுப்பாடு ஆகியவை இன்னும் உடல் நம்பகத்தன்மைக்கு முக்கியம். பல குழுக்கள் இதை வாழ்க்கைச் சுழற்சி இடர் மேலாண்மையாக வடிவமைக்கின்றன, இது NIST இன் AI RMF போன்ற கட்டமைப்புகளைப் போன்றது.
குறிப்புகள்
[1] டூரண்ட்-வைட் & பெய்லி -
ஒரே நேரத்தில் உள்ளூர்மயமாக்கல் மற்றும் மேப்பிங் (SLAM): பகுதி I அத்தியாவசிய வழிமுறைகள் (PDF) [2] லிஞ்ச் & பார்க் -
நவீன ரோபாட்டிக்ஸ்: இயக்கவியல், திட்டமிடல் மற்றும் கட்டுப்பாடு (முன்பதிப்பு PDF) [3] சட்டன் & பார்டோ -
வலுவூட்டல் கற்றல்: ஒரு அறிமுகம் (2வது பதிப்பு வரைவு PDF) [4] NIST -
செயற்கை நுண்ணறிவு இடர் மேலாண்மை கட்டமைப்பு (AI RMF 1.0) (PDF) [5] ப்ரோஹான் மற்றும் பலர் - RT-2: பார்வை-மொழி-செயல் மாதிரிகள் வலை அறிவை ரோபோடிக் கட்டுப்பாட்டுக்கு மாற்றுகின்றன (arXiv)