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:
தன்னாட்சிச் சுழற்சி: ஒரே ஒரு மாதிரியை மட்டும் சார்ந்து இல்லாமல், உணர்தல்–புரிந்துகொள்ளுதல்–திட்டமிடுதல்–செயல்படுதல்–கற்றுக்கொள்ளுதல் ஆகியவற்றை மையமாகக் கொண்டு அமைப்புகளை உருவாக்குங்கள்.
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:
-
உணர்விகள் 👀: கேமராக்கள், ஒலிவாங்கிகள், லிடார், விசை உணர்விகள், சக்கர குறியாக்கிகள் போன்றவை.
-
புரிந்துகொள்ளுதல் 🧠: பொருட்களைக் கண்டறிதல், நிலையை மதிப்பிடுதல், சூழ்நிலைகளை அறிதல், இயக்கத்தைக் கணித்தல்.
-
திட்டமிடுங்கள் 🗺️: இலக்குகளைத் தேர்ந்தெடுங்கள், பாதுகாப்பான பாதைகளைக் கணக்கிடுங்கள், பணிகளை அட்டவணைப்படுத்துங்கள்.
-
செயல்பாடு 🦾: இயக்கக் கட்டளைகளை உருவாக்குதல், பற்றுதல், உருளுதல், சமநிலைப்படுத்துதல், தடைகளைத் தவிர்த்தல்.
-
கற்றுக்கொள்ளுங்கள் 🔁: தரவுகளிலிருந்து (சில நேரங்களில் ஆன்லைனில், பெரும்பாலும் ஆஃப்லைனில்) புரிதலை அல்லது நடத்தையை மேம்படுத்துங்கள்.
ரோபோக்களின் பெரும்பாலான “செயற்கை நுண்ணறிவு” என்பது உண்மையில்புலனுணர்வு, நிலை மதிப்பீடு, திட்டமிடல்மற்றும் கட்டுப்பாடுபோன்ற பல கூறுகள் ஒன்றாகச் செயல்பட்டு, கூட்டு முயற்சியால் தன்னாட்சியை உருவாக்கும் ஒரு தொகுப்பாகும்.
ஒரு நடைமுறை கள யதார்த்தம் என்னவென்றால்: ஒரு சுத்தமான செயல்விளக்கத்தில் ஒரு ரோபோவை ஒருமுறை ஒரு செயலைச் செய்ய வைப்பது பொதுவாகக் கடினமான பகுதி அல்ல; மாறாக , ஒளி அமைப்பு மாறும்போதும், சக்கரங்கள் வழுக்கும்போதும், தரை பளபளப்பாக இருக்கும்போதும், அலமாரிகள் நகர்ந்திருக்கும்போதும், மக்கள் கணிக்க முடியாத NPC-க்களைப் போல நடக்கும்போதும், அதே எளிய செயலை நம்பகத்தன்மையுடன் செய்ய வைப்பதுதான் கடினமான பகுதி
ஒரு ரோபோவுக்கு நல்ல AI மூளை எது?
ஒரு வலுவான ரோபோ செயற்கை நுண்ணறிவு அமைப்பு, வெறும் புத்திசாலித்தனமாக மட்டும் இருந்தால் போதாது; அது கணிக்க முடியாத நிஜ உலகச் சூழல்களிலும் நம்பகத்தன்மை கொண்டதாக இருக்க வேண்டும்
முக்கியமான பண்புகள் பின்வருமாறு:
-
நிகழ்நேர செயல்திறன் ⏱️ (முடிவெடுப்பதற்கு காலந்தவறாமை முக்கியம்)
-
குழப்பமான தரவுகளுக்கு (கண்ணை கூசும் தன்மை, சத்தம், குழப்பம், இயக்க மங்கல்)
-
கண்ணியமான தோல்வி முறைகள் 🧯 (வேகத்தைக் குறைத்தல், பாதுகாப்பாக நிறுத்துதல், உதவி கேட்டல்)
-
நல்ல முன்அறிவுகள் + சிறந்த கற்றல் (இயற்பியல் + கட்டுப்பாடுகள் + இயந்திரக் கற்றல் - வெறும் உள்ளுணர்வுகள் அல்ல)
-
அளவிடக்கூடிய புலனுணர்வுத் தரம் 📏 (சென்சார்கள்/மாடல்கள் எப்போது தரம் குறைகின்றன என்பதை அறிதல்)
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 → பொருளை அடையாளம் காணுதல், அதன் நிலையை மதிப்பிடுதல், காட்சியைப் புரிந்துகொள்ளுதல்
-
LiDAR → தூரம் + தடை வடிவியல்
-
ஆழ கேமராக்கள் → முப்பரிமாண கட்டமைப்பு மற்றும் வெற்றிடம்
-
ஒலிவாங்கிகள் → பேச்சு மற்றும் ஒலிக் குறிப்புகள்
-
விசை/முறுக்கு உணர்விகள் → பாதுகாப்பான பிடிப்பு மற்றும் ஒத்துழைப்பு
-
தொடு உணர்விகள் → வழுக்கலைக் 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?"
ஒரு நுட்பமான ஆனால் முக்கியமான விவரம்: புலனுணர்வு அமைப்புகள் வெறும் ஆம்/இல்லை பதிலை மட்டும் அல்லாமல், நிச்சயமற்ற தன்மையை (அல்லது நம்பிக்கைப் பிரதிநிதி) வெளிப்படுத்த வேண்டும் - ஏனெனில் கீழ்நிலை திட்டமிடல் மற்றும் பாதுகாப்பு முடிவுகள் ரோபோ எவ்வளவு உறுதியாக உள்ளது என்பதைப் பொறுத்தது
உள்ளூர்மயமாக்கல் மற்றும் மேப்பிங்: பீதியடையாமல் நீங்கள் எங்கிருக்கிறீர்கள் என்பதை அறிதல்
ஒரு ரோபோ சரியாகச் செயல்பட அது எங்குள்ளது என்பதைத் தெரிந்து கொள்ள வேண்டும். இது பெரும்பாலும் SLAM (Simultaneous Localization and Mapping): ரோபோவின் நிலையை மதிப்பிடும் அதே நேரத்தில் ஒரு வரைபடத்தை உருவாக்குதல். பாரம்பரிய சூத்திரங்களில், SLAM ஒரு நிகழ்தகவு மதிப்பீட்டுச் சிக்கலாகக் கருதப்படுகிறது, இதில் EKF-அடிப்படையிலான மற்றும் துகள்-வடிகட்டி-அடிப்படையிலான அணுகுமுறைகள் பொதுவான குடும்பங்களில் அடங்கும். [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 (விரைவான அனிச்சைச் செயல்) ⚡
தடைகளைத் தவிர்க்கவும், மக்கள் அருகில் வேகத்தைக் குறைக்கவும், சாலைப் பாதைகள்/வழித்தடங்களைப் பின்பற்றவும். -
ஒட்டுமொத்த திட்டமிடல் (விரிவான பார்வை) 🧭
சேருமிடங்களைத் தேர்ந்தெடுங்கள், தடைபட்ட பகுதிகளைச் சுற்றி வழித்தடம் அமையுங்கள், பணிகளைத் திட்டமிடுங்கள்.
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 கைகளுக்கான தலைகீழ் இயக்கவியல் ஆகியவை அடங்கும் - அதாவது, "கிரிப்பரை அங்கே வை " என்பதை மூட்டு அசைவுகளாக மாற்றும் கணிதம் . [2]
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 📚: குறியிடப்பட்ட எடுத்துக்காட்டுகளிலிருந்து கற்றுக்கொள்ளுங்கள் (எ.கா., “இது ஒரு பலகை”).
-
சுய மேற்பார்வைக் கற்றல் 🔍: மூலத் தரவுகளிலிருந்து கட்டமைப்பைக் கற்றல் (எ.கா., எதிர்கால பிரேம்களைக் கணித்தல்).
-
வலுவூட்டல் கற்றல் 🎯: காலப்போக்கில் வெகுமதி சமிக்ஞைகளை அதிகப்படுத்துவதன் மூலம் செயல்களைக் கற்றுக்கொள்வது (பெரும்பாலும் முகவர்கள், சூழல்கள் மற்றும் வருமானங்களுடன் கட்டமைக்கப்படுகிறது). [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 அறிதல் (ஒலி → சொற்கள்)
-
நோக்கத்தைக் 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 என்பவை பௌதீக விளைவுகளைக், எனவே நம்பிக்கை மற்றும் பாதுகாப்பு நடைமுறைகள் என்பவை பிற்காலத்தில் கருத்தில் கொள்ளப்பட வேண்டிய விஷயங்களாக 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.
பார்வை-மொழி-செயல் (VLA) மாதிரிகள் ஒரு எடுத்துக்காட்டு திசையாகும் , இதில் ஒரு அமைப்பு அது பார்ப்பதை + அதற்குச் சொல்லப்பட்டதைச் செய்ய + அது எடுக்க வேண்டிய செயல்களை இணைக்கப் பயிற்சி அளிக்கப்படுகிறது. RT-2 இந்த பாணி அணுகுமுறைக்கு பரவலாக மேற்கோள் காட்டப்படும் எடுத்துக்காட்டு ஆகும். [5]
சுவாரஸ்யமான பகுதி: அதிக நெகிழ்வான, உயர் மட்டப் புரிதல்.
யதார்த்த நிலை: பௌதிக உலகின் நம்பகத்தன்மைக்கு இன்னமும் பாதுகாப்பு வழிமுறைகள் தேவைப்படுகின்றன; ரோபோவால் “புத்திசாலித்தனமாகப் பேச” முடியும் என்பதற்காக மட்டும், வழக்கமான மதிப்பீடு, பாதுகாப்பு கட்டுப்பாடுகள் மற்றும் பழமைவாதக் கட்டுப்பாடு போன்றவை மறைந்துவிடுவதில்லை.
இறுதி குறிப்புகள்
எனவே, ரோபோக்கள் AI ஐ எவ்வாறு பயன்படுத்துகின்றன? ரோபோக்கள் AI ஐப் பயன்படுத்தி நிலையை (நான் எங்கே இருக்கிறேன்?) உணரவும் , மதிப்பிடவும் , திட்டமிடவும் , கட்டுப்படுத்தவும் - சில சமயங்களில் தரவிலிருந்து கற்றுக்கொள்ளவும் மேம்படுத்தவும் பயன்படுத்துகின்றன. AI ரோபோக்களை மாறும் சூழல்களின் சிக்கலான தன்மையைக் கையாள உதவுகிறது, ஆனால் வெற்றி என்பது பாதுகாப்புக்கு முன்னுரிமை அளிக்கும் நம்பகமான, அளவிடக்கூடிய அமைப்புகளைப் பொறுத்தது.
நிஜ உலக உதாரணம்: ஒரு கிடங்கு ரோபோவிற்கான செயற்கை நுண்ணறிவு உதவியாளரை உருவாக்குதல்
சூழ்நிலை
பேக்கிங் மேசைகளிலிருந்து சீல் செய்யப்பட்ட கூடைகளை அனுப்பும் பகுதிக்கு நகர்த்துவதற்காக, ஒரு சிறிய கிடங்கு தானியங்கி நடமாடும் ரோபோவைப் பயன்படுத்துவதை கற்பனை செய்து பாருங்கள். அந்த ரோபோவுக்கு "எல்லாவற்றையும் புரிந்து கொள்ள" வேண்டிய அவசியமில்லை. அது ஒரே ஒரு வேலையை மட்டும் நம்பகத்தன்மையுடன் செய்தால் போதும்: ஒரு கூடையைச் சேகரிப்பது, பொதுவான நடைபாதையில் செல்வது, மக்கள் மற்றும் பேலட் டிரக்குகளைத் தவிர்ப்பது, மற்றும் அதன் நம்பிக்கை குறையும்போது பாதுகாப்பாக நிற்பது.
செயற்கை நுண்ணறிவுத் தொகுப்பானது, கணினிப் பார்வை, லிடார், ஸ்லாம், பாதை திட்டமிடல், தடைகளைத் தவிர்த்தல் மற்றும் பணியாளர்களிடமிருந்து பெறப்படும் அடிப்படை மொழி வழிமுறைகள் ஆகியவற்றை ஒருங்கிணைக்கும். ஒரு மேற்பார்வையாளர், “இந்தப் பையை அனுப்புமிடம் 3-க்கு எடுத்துச் செல்” என்று கூறலாம், ஆனால் அந்த மொழி அடுக்குக்குக் கீழேயும் ரோபோவுக்கு உறுதியான பாதுகாப்பு விதிகள் தேவைப்படுகின்றன.
இது ஒரு வலுவான எடுத்துக்காட்டு, ஏனெனில் இது ரோபோ செயற்கை நுண்ணறிவு யூகங்களைச் செய்யும் ஒரு பிரம்மாண்டமான மாதிரியாகச் செயல்படாமல், ஒரு நடைமுறை அடுக்காகச் செயல்படுவதைக் காட்டுகிறது.
உதவியாளருக்கு என்ன தேவை
இந்த ஏற்பாட்டிற்கு பின்வருவன தேவைப்படும்:
-
பொதி கட்டும் மேசைகள், அனுப்பும் பகுதிகள், செல்லக்கூடாத இடங்கள், மின்னேற்றும் மையங்கள் மற்றும் குறுகிய நடைபாதைகள் உள்ளிட்ட கிடங்கின் வரைபடம்
-
பைகள், மக்கள், தரை அடையாளங்கள் மற்றும் தடுக்கப்பட்ட பாதைகளை அடையாளம் காண்பதற்கான கேமரா அல்லது டெப்த்-கேமரா தரவு
-
தடையைக் கண்டறிவதற்கான லிடார் அல்லது மற்றொரு தொலைவு உணரி
-
இருப்பிடத்தைக் கண்டறிவதற்கான சக்கர குறியாக்கிகள் மற்றும் IMU தரவுகள்
-
வேக வரம்புகள், நிறுத்தும் தூரம் மற்றும் மனிதப் பாதுகாப்பு நடத்தைக்கான விதிகள்
-
கிடங்கு அமைப்பிலிருந்து பெறப்பட்ட பணிகளின் பட்டியல், அதாவது டோட் ஐடி, எடுக்கும் இடம் மற்றும் சேருமிடம் போன்றவை
-
வழித்தடம், நம்பிக்கை மதிப்பெண்கள், நிறுத்தங்கள், மயிரிழையில் தப்பிய நிகழ்வுகள் மற்றும் மனிதத் தலையீடுகளைப் பதிவுசெய்யும் பதிவேடுகள்
முக்கியமான விஷயம் என்னவென்றால், மொழி வழி அறிவுறுத்தல் ஒருபோதும் ஒரே கட்டுப்பாட்டு அடுக்காக இருக்கக்கூடாது. ரோபோ மனிதர்களுக்குப் புரியும் கட்டளைகளை ஏற்கலாம், ஆனால் அதன் இயக்கமானது வரைபடமாக்கல், திட்டமிடல், கட்டுப்பாடு மற்றும் பாதுகாப்புக் கட்டுப்பாடுகளால் தொடர்ந்து நிர்வகிக்கப்பட வேண்டும்.
எடுத்துக்காட்டு அறிவுறுத்தல்
ரோபோ உதவியாளருக்கான ஒரு எளிய இயக்க வழிமுறை பின்வருமாறு இருக்கலாம்:
நீங்கள் ஒரு கிடங்கு நடமாடும் ரோபோவின் பணி உதவியாளர். பணியாளர்களின் கோரிக்கைகளை, பாதுகாப்பான இயக்கப் பணிகளாக மாற்றுவதே உங்கள் வேலை. பொருளை எடுக்கும் இடம், சேருமிடம் மற்றும் பையின் அடையாள எண் (டோட் ஐடி) ஆகியவை தெளிவாக இருக்கும்போது மட்டுமே ஒரு பணியை உருவாக்கவும். ஏதேனும் விவரம் விடுபட்டிருந்தால், ஒரு சிறிய தெளிவுபடுத்தும் கேள்வியைக் கேட்கவும். ஒருபோதும் இடங்களை நீங்களாகவே உருவாக்காதீர்கள். பாதை தடுக்கப்பட்டிருந்தால், அங்கீகரிக்கப்பட்ட மாற்றுப் பாதை ஏதேனும் இருந்தால், அதைத் தேர்ந்தெடுக்கவும். பொருளின் மீதான நம்பிக்கை பாதுகாப்பான வரம்பிற்குக் கீழே குறைந்தால், வேகத்தைக் குறைக்கவும், நிறுத்தவும் அல்லது மனித உதவியைக் கோரவும். பொருளை எடுக்கத் தவறிய ஒவ்வொரு முறையையும், தடுக்கப்பட்ட பாதையையும், அவசர நிறுத்தத்தையும், மற்றும் கைமுறையாக மாற்றியமைத்தலையும் பதிவு செய்யவும்.
ஒரு பணியாளர் கோரிக்கை பின்வருமாறு இருக்கலாம்:
T-1842 என்ற டோட்டை பேக்கிங் பெஞ்ச் 6-லிருந்து டிஸ்பாட்ச் பே 3-க்கு நகர்த்தவும்.
ஒரு நல்ல பதில் இதுவாக இருக்கும்:
பணி ஏற்கப்பட்டது: பொதி கட்டும் மேடை 6-இலிருந்து T-1842 என்ற பையெடுத்து, அதனை அனுப்பும் பகுதி 3-க்குக் கொண்டு செல்லவும். வழித்தடம் B வழி வழியாகத் தேர்ந்தெடுக்கப்பட்டது. பாதசாரிகள் கடக்கும் இடத்திற்கு அருகில் வேகம் கட்டுப்படுத்தப்பட்டுள்ளது. வழித்தடம் B தடுக்கப்பட்டிருந்தால், அங்கீகரிக்கப்பட்ட மாற்று வழியான C-ஐப் பயன்படுத்தவும்.
ஒரு மோசமான பதில் இதுவாக இருக்கும்:
நிச்சயமாக, நான் அதை கட்டுப்பாட்டு அறைக்கு எடுத்துச் செல்கிறேன்.
தவறான பதிப்பு மிகவும் தெளிவற்றதாக உள்ளது. அது பையின் அடையாள எண், எடுக்கும் இடம், சேருமிடம், வழித்தடம் அல்லது பாதுகாப்பு அம்சங்கள் ஆகியவற்றை உறுதிப்படுத்துவதில்லை.
அதை எப்படி சோதிப்பது
பயன்பாட்டில் உள்ள ஒரு நடைபாதையில் ரோபோவை வேலை செய்ய விடுவதற்கு முன், ஒரு சிறிய சரிபார்ப்புப் பட்டியலைக் கொண்டு அதைச் சோதிக்கவும்:
-
முழு விவரங்கள் அடங்கிய ஒரு பையை நகர்த்தும்படி அதனிடம் கேளுங்கள்
-
அனுப்பும் பகுதிக்கு நேரம் கொடுக்காமல் ஒரு பையை நகர்த்தும்படி அதனிடம் கேளுங்கள்
-
பாதையில் மனித உருவத் தடையை வைக்கவும்
-
ஒரு அலமாரிக் குறியீட்டை நகர்த்தி, இருப்பிட உறுதிப்பாடு குறைகிறதா என்று சரிபார்க்கவும்
-
தரையில் கண்ணை உறுத்தும் ஒளியை உருவாக்கி, பார்வை நம்பகத்தன்மை மாறுகிறதா என்று சரிபார்க்கவும்
-
விருப்பமான நடைபாதையை மறித்து, அது அங்கீகரிக்கப்பட்ட மாற்று வழியைத் தேர்ந்தெடுக்கிறதா எனச் சரிபார்க்கவும்
-
யூகிக்காமல், இல்லாத ஒரு இடத்தைக் கேட்டு, அது நிராகரிக்கப்படுகிறதா என்று சரிபார்க்கவும்
-
ஒவ்வொரு ஓட்டத்திற்குப் பிறகும், நிறுத்தங்கள், வழிமாற்றங்கள் மற்றும் மேலெழுதல்கள் பதிவு செய்யப்பட்டுள்ளனவா என்பதை உறுதிப்படுத்த பதிவேட்டை மதிப்பாய்வு செய்யவும்
"ரோபோ வந்து சேர்ந்ததா?" என்பது மட்டும் இலக்கு அல்ல. சிறந்த கேள்வி இதுதான்: "சூழல் நிச்சயமற்றதாக மாறியபோது, அது பாதுகாப்பாகவும் கணிக்கக்கூடிய வகையிலும் செயல்பட்டதா?"
முடிவு
விளக்க முடிவு: ஒரு சிறிய கிடங்கு சோதனைப் பகுதியில், 20 எடுத்துக்காட்டுப் பெட்டி நகர்த்தும் பணிகளுக்குச் செய்யப்பட்ட நேரக் கணக்கீட்டின் அடிப்படையில்.
ரோபோவின் பணிமுறையைப் பயன்படுத்துவதற்கு முன்பு, ஒரு மனிதர் பேக்கிங் மேசைக்குத் திரும்பி நடப்பது உட்பட, ஒவ்வொரு டோட்டையும் நகர்த்துவதற்குச் சராசரியாக 4 நிமிடங்கள் 30 வினாடிகள் எடுத்துக்கொண்டார். எளிய, ஒரு இடத்திலிருந்து மற்றொரு இடத்திற்கு டோட்களை இடமாற்றம் செய்ய ரோபோ அறிமுகப்படுத்தப்பட்ட பிறகு, மனிதர் கையாளும் நேரம் ஒரு பணிக்குச் சுமார் 50 வினாடிகளாகக் குறைந்தது; இந்த நேரம் பெரும்பாலும் டோட்டில் பொருட்களை ஏற்றுவதற்கும், வேலையை உறுதி செய்வதற்கும் மட்டுமே ஆனது.
அதன் மூலம் ஒவ்வொரு கூடை நகர்வுக்கும் சுமார் 3 நிமிடங்கள் 40 வினாடிகள் மிச்சமாகும். ஒரு நாளைக்கு 80 கூடை நகர்வுகள் எனில், மதிப்பிடப்பட்ட நேரச் சேமிப்பு தோராயமாக 293 நிமிடங்கள் அல்லது ஒரு நாளைக்குச் சுமார் 4.9 பணியாளர் மணிநேரமாக இருக்கும்.
ஒரே சோதனையில் உள்ள பாதுகாப்புச் சோதனைகள் தனித்தனியாகக் கண்காணிக்கப்பட வேண்டும். உதாரணமாக:
-
20 பணிகளில் 20-ம் சரியான இலக்கை அடைந்தன
-
அங்கீகரிக்கப்பட்ட மாற்றுப்பாதை அமைத்தல் மூலம், தடைபட்ட 3 வழித்தட நிகழ்வுகள் கையாளப்பட்டன
-
குறைந்த நம்பகத்தன்மை கொண்ட 2 நிகழ்வுகள் பாதுகாப்பான நிறுத்தத்தைத் தூண்டின
-
அங்கீகரிக்கப்படாத இடங்கள் எதுவும் ஏற்றுக்கொள்ளப்படவில்லை
-
விடுபட்ட 0 டோட் ஐடிகள் யூகிக்கப்பட்டன
இந்த எண்கள் விளக்க நோக்கத்திற்காக மட்டுமே, எந்தவொரு குறிப்பிட்ட ரோபோ தயாரிப்பைப் பற்றிய கூற்றும் அல்ல. ஒரு குழு, ரோபோவை நிலைநிறுத்துவதற்கு முன்னும் பின்னும் பணிகளின் நேரத்தைக் கணக்கிடுதல், கைமுறையான மேலதிகார மாற்றங்களைக் கணக்கிடுதல், வழித்தடப் பதிவுகளை மதிப்பாய்வு செய்தல் மற்றும் தோல்வியுற்ற விநியோகங்களைச் சரிபார்த்தல் ஆகியவற்றின் மூலம் இந்த முடிவைச் சரிபார்க்க முடியும்.
என்ன தவறு நடக்கக்கூடும்?
ரோபோவுக்கு அதிகப்படியான சுதந்திரம் கொடுப்பதே மிகவும் பொதுவான தோல்வியாகும். ஒரு மொழி மாதிரி அறிவுறுத்தலைப் புரிந்து கொள்ளலாம், ஆனால் அதற்காக அது புதிய பாதைகளைக் கண்டுபிடிக்கும், நம்பிக்கை மதிப்பெண்களைப் புறக்கணிக்கும், அல்லது எது "ஒருவேளை பாதுகாப்பானது" என்று தீர்மானிக்கும் என்று அதை நம்பிவிடக் கூடாது.
மற்ற யதார்த்தமான சிக்கல்களில் பின்வருவன அடங்கும்:
-
அலமாரிகள் அல்லது பெஞ்சுகள் நகர்த்தப்பட்ட பிறகு காலாவதியான வரைபடங்கள்
-
மோசமான வெளிச்சம் அல்லது பிரதிபலிக்கும் தளங்கள் பார்வை மாதிரிகளைக் குழப்புகின்றன
-
ரோபோவால் அடையாளம் காண முடியாத முறைசாரா இடப் பெயர்களைப் பயன்படுத்தும் பணியாளர்கள்
-
டோட் ஐடிகள் இல்லாததால், சிஸ்டம் தவறான பொருளைத் தேர்ந்தெடுக்கிறது
-
பலவீனமான தரவுப் பதிவு, விபத்துகள் நூலிழையில் தவிர்க்கப்பட்டதை விசாரிப்பதைக் கடினமாக்குகிறது
-
தோல்வியுற்ற சோதனைகளையும் மனிதத் தலையீடுகளையும் அளவிடாமல் செயல்திறனை மிகைப்படுத்திக் கூறுதல்
ஒரு சரியான விதி எளிமையானது: ரோபோவுக்கு சந்தேகம் ஏற்படும்போது, அது மேலும் ஆக்கப்பூர்வமாக மாறுவதற்குப் பதிலாக, பழமைவாதமாக மாற வேண்டும்.
நடைமுறைப் பாடம்
ஒரு வலிமையான ரோபோ செயற்கை நுண்ணறிவு அமைப்பானது, ஒரு குறிப்பிட்ட பணி, தெளிவான உள்ளீடுகள், அளவிடக்கூடிய பாதுகாப்பு நடத்தை மற்றும் நம்பகமான மாற்று ஏற்பாடுகளைச் சுற்றி கட்டமைக்கப்படுகிறது. அதன் “அறிவுத்திறன்” என்பது பொருட்களை அடையாளம் காண்பது அல்லது அறிவுறுத்தல்களைப் பின்பற்றுவது மட்டுமல்ல. அது, எப்போது நகர வேண்டும், எப்போது வேகத்தைக் குறைக்க வேண்டும், எப்போது நிறுத்த வேண்டும், மற்றும் எப்போது உதவி கேட்க வேண்டும் என்பதை அறிவதாகும்.
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] டுரண்ட்-வைட் & பெய்லி - ஒரே நேரத்தில் இருப்பிடத்தைக் கண்டறிதல் மற்றும் வரைபடமாக்குதல் (SLAM): பகுதி I அத்தியாவசிய வழிமுறைகள் (PDF)
[2] லிஞ்ச் & பார்க் - நவீன ரோபோட்டிக்ஸ்: இயக்கவியல், திட்டமிடல் மற்றும் கட்டுப்பாடு (முன் அச்சு PDF)
[3] சட்டன் & பார்டோ - வலுவூட்டல் கற்றல்: ஓர் 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 ரோபோ கட்டுப்பாட்டிற்கு மாற்றுகின்றன (arXiv)