This post is also available in:
English (אנגלית)
מהנדסים מאוניברסיטת ברקלי הציגו מערכת מהפכנית בשם Rovi-Aug, שנועדה לאפשר לרובוטים להעביר מיומנויות באופן אוטונומי אחד לשני על פני מודלים שונים – ללא התערבות אנושית. מערכת חדשנית זו מפשטת את אימון הרובוטים על ידי עקיפת ההתאמות הידנית שלרוב נדרשות, ומשפרת את יכולתם של הרובוטים לבצע משימות בצורה יעילה יותר.
RoVi-Aug בולטת בכך שמבוססת על אימון רובוטים באמצעות נתונים סינתטיים רבודים המדמים תרחישים מגוונים, הכוללים וריאציות בזוויות המצלמה ובמערכות רובוטיות. בניגוד לשיטות קודמות המסתמכות על מערכי נתונים סטטיים, Rovi-Aug מסתגלת באופן מיידי לרובוטים חדשים, משפרת את היעילות של העברת מיומנויות ומשפרת את שיעורי ההצלחה בשיעור של עד 30%. המסגרת מבטלת את הצורך בהתאמות זמן מבחן, שהיו צוואר בקבוק בלמידה רובוטית מסורתית.
אחד האתגרים העיקריים בלמידת רובוטים הוא המחסור בנתונים מגוונים ואיכותיים. בעוד שהרחבת הנתונים הראתה שיפור בהכללה במודלים של בינה מלאכותית לראייה ולשפה, רובוטים מתמודדים עם אתגר ייחודי: איסוף נתוני רובוטים מהעולם האמיתי הוא איטי ודורש עבודה רבה.
Rovi-Aug מטפל במגבלה זו על ידי התמקדות באופן שבו רובוטים מקיימים אינטראקציה עם משימות בתוך הנתונים שלהם. הוא כולל שני רכיבים עיקריים: מודול אוגמנטציית הרובוט (Ro-Aug), אשר מייצר הדגמות מסוגים שונים של רובוטים, ומודול הגדלת נקודת המבט (Vi-Aug), אשר מדמה זוויות מצלמה שונות. יחד, מודולים אלה יוצרים מערך נתונים עשיר ומגוון יותר המאפשר לרובוטים ללמוד ביעילות רבה יותר וליישם מיומנויות במגוון של מודלים ומשימות שונות.
המערכת החדשה מתגברת גם על המגבלות של גישות קודמות שדרשו מודלים רובוטיים מדויקים והתקשו עם וריאציות של זווית מצלמה. Rovi-Aug אינו מסתמך על מטריצות מצלמה ידועות ותומך במדיניות כוונון עדין, מה שהופך אותו לסתגלני יותר למשימות מורכבות הכוללות רובוטים מרובים.
בעוד שהמערכת מראה הבטחה גדולה, החוקרים מציינים כי ישנם עדיין אתגרים להתמודד איתם, כגון שיפור התמודדות עם רקעים והרחבת המסגרת לתמיכה בצוותות מגוונות יותר. עם זאת, Rovi-Aug מייצג צעד משמעותי לקראת יצירת רובוטים אוטונומיים ורב-תכליתיים יותר.
המחקר של הצוות פורסם בשרת ArXiv.
