نوآوری MIT در آموزش رباتیک در گامی انقلابی در حوزه رباتیک، تیمی از آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) روشی نوین به نام LucidSim توسعه دادهاند که رباتها را قادر میسازد بدون نیاز به دادههای دنیای واقعی، در محیطهای مجازی مهارتهای پیشرفتهای کسب کنند. این فناوری با استفاده از هوش مصنوعی مولد و شبیهسازهای فیزیکی، دادههای آموزشی متنوع و واقعی تولید میکند و رباتها را برای انجام وظایف پیچیدهای مانند پارکور با مهارتهای در سطح کارشناسی آماده میکند. LucidSim شکاف دیرینه بین آموزش در شبیهسازی و عملکرد در دنیای واقعی را برطرف میکند. این سیستم با ترکیب مدلهای زبانی بزرگ برای ایجاد توصیفهای متنوع محیطها، مدلهای مولد برای تبدیل این توصیفها به تصاویر واقعی، و شبیهسازهای فیزیکی برای اطمینان از انطباق با قوانین دنیای واقعی، محیطهای آموزشی مجازی ایجاد میکند که رباتها میتوانند در آنها مهارتهای خود را بدون نیاز به تنظیمات اضافی به دنیای واقعی منتقل کنند. این رویکرد در مقایسه با روشهای سنتی مانند تصادفیسازی دامنه (Domain Randomization)، که از رنگها و الگوهای تصادفی برای ایجاد تنوع استفاده میکند اما فاقد واقعگرایی است، برتری قابلتوجهی دارد. در آزمایشها، رباتهای چهارپا که با LucidSim آموزش دیده بودند، توانستند موانع را در محیطهای واقعی شناسایی و با موفقیت در آنها حرکت کنند، در حالی که رباتهای آموزشدیده با روشهای سنتی تنها در ۱۵ درصد موارد موفق بودند. با افزایش حجم دادههای آموزشی LucidSim، نرخ موفقیت به ۸۸ درصد رسید و عملکرد رباتها بهطور پیوسته بهبود یافت. ایده LucidSim از گفتوگویی غیرمنتظره در نزدیکی یک رستوران در کمبریج، ماساچوست شکل گرفت. تیم تحقیقاتی با چالش فقدان دادههای آموزشی با کیفیت برای رباتهای مجهز به بینایی مواجه بود. آنها با استفاده از تکنیکی به نام “رویاها در حرکت” (Dreams In Motion)، تصاویر ثابت را به ویدیوهای کوتاه و منسجم تبدیل کردند که تجربههای آموزشی پویا را برای رباتها فراهم میکرد. این روش با محاسبه حرکات پیکسلها و در نظر گرفتن هندسه سهبعدی صحنه، دادههای بصری واقعی و متنوعی تولید میکند. این فناوری کاربردهای گستردهای فراتر از پارکور دارد. از رباتهای متحرک برای جابجایی اشیا در محیطهای باز گرفته تا وظایفی که نیاز به درک دقیق رنگ و بافت دارند، LucidSim میتواند فرآیند جمعآوری دادههای آموزشی را به محیطهای مجازی منتقل کند و نیاز به تنظیمات پیچیده و زمانبر دنیای واقعی را حذف نماید. این رویکرد نهتنها مقیاسپذیری را افزایش میدهد، بلکه امکان آموزش رباتها برای هزاران مهارت مختلف را فراهم میکند. این نوآوری که در کنفرانس یادگیری رباتیک (CoRL) در نوامبر ۲۰۲۴ ارائه شد، راه را برای نسل جدیدی از رباتهای هوشمند و انطباقپذیر هموار میکند که میتوانند بدون تجربه مستقیم دنیای واقعی، در محیطهای پیچیده عمل کنند. این پروژه با حمایت مالی بنیاد پاکارد، بنیاد تحقیقاتی اسلون، دفتر تحقیقات نیروی دریایی، آزمایشگاه لینکلن MIT، آژانس علوم و فناوری دفاعی سنگاپور، آمازون و مؤسسه ملی علوم ایالات متحده انجام شده است.
https://news.mit.edu/2024/can-robots-learn-machine-dreams-1119