ایک AI روبوٹ ڈاگ راک ایک چستی کا کورس دیکھیں جو پہلے کبھی نہیں دیکھا

ایک AI روبوٹ ڈاگ راک ایک چستی کا کورس دیکھیں جو پہلے کبھی نہیں دیکھا

ٹائم سٹیمپ: 14 مارچ 2024 شام 3:09 بجے
ایک AI روبوٹ ڈاگ راک ایک چستی کا کورس دیکھیں جو PlatoBlockchain ڈیٹا انٹیلی جنس سے پہلے کبھی نہیں دیکھا۔ عمودی تلاش۔ عی

ایکروبیٹکس کے کارنامے انجام دینے والے روبوٹ ایک زبردست مارکیٹنگ کی چال ہو سکتے ہیں، لیکن عام طور پر یہ ڈسپلے انتہائی کوریوگرافڈ اور بڑی محنت سے پروگرام کیے جاتے ہیں۔ اب محققین نے ایک چار ٹانگوں والے AI روبوٹ کو حقیقی دنیا کے حالات میں پیچیدہ، پہلے نہ دیکھے جانے والے رکاوٹ کورسز سے نمٹنے کے لیے تربیت دی ہے۔

حقیقی دنیا کی موروثی پیچیدگی کی وجہ سے چست روبوٹس بنانا مشکل ہے، روبوٹس کی محدود مقدار اس کے بارے میں ڈیٹا اکٹھا کر سکتی ہے، اور جس رفتار سے فیصلے کرنے کی ضرورت ہے متحرک حرکتیں کرنے کے لیے۔

Boston Dynamics جیسی کمپنیاں باقاعدگی سے اپنے روبوٹس کی ویڈیوز جاری کرتی رہتی ہیں جن سے وہ سب کچھ کرتے ہیں۔ parkour کرنے کے لئے رقص کے معمولات. لیکن یہ کارنامے جتنے متاثر کن ہیں، ان میں عام طور پر انسانوں کو بڑی محنت کے ساتھ ہر قدم پر پروگرام کرنے یا ایک ہی انتہائی کنٹرول شدہ ماحول پر تربیت دینے میں شامل ہوتا ہے۔

یہ عمل حقیقی دنیا میں مہارتوں کو منتقل کرنے کی صلاحیت کو سنجیدگی سے محدود کرتا ہے۔ لیکن اب، سوئٹزرلینڈ میں ای ٹی ایچ زیورخ کے محققین نے اپنے روبوٹ کتے اینیمل کو بنیادی لوکوموٹیو مہارتوں کا ایک مجموعہ سکھانے کے لیے مشین لرننگ کا استعمال کیا ہے جس کے بعد یہ اندرون اور باہر، مختلف قسم کے چیلنجنگ رکاوٹوں کے کورسز سے نمٹنے کے لیے مل کر کام کر سکتا ہے۔ 4.5 میل فی گھنٹہ تک۔

"مجوزہ نقطہ نظر روبوٹ کو بے مثال چستی کے ساتھ حرکت کرنے کی اجازت دیتا ہے،" تحقیق پر ایک نئے مقالے کے مصنفین لکھتے ہیں۔ سائنس روبوٹکس. "یہ اب پیچیدہ مناظر میں تیار ہو سکتا ہے جہاں اسے اپنے ہدف کے مقام کی طرف غیر معمولی راستے کا انتخاب کرتے ہوئے بڑی رکاوٹوں پر چڑھنا اور چھلانگ لگانا ضروری ہے۔"

[سرایت مواد]

ایک لچکدار لیکن قابل نظام بنانے کے لیے، محققین نے مسئلے کو تین حصوں میں تقسیم کیا اور ہر ایک کو ایک نیورل نیٹ ورک تفویض کیا۔ سب سے پہلے، انہوں نے ایک پرسیپشن ماڈیول بنایا جو کیمروں اور لیڈر سے ان پٹ لیتا ہے اور ان کا استعمال اس علاقے کی تصویر بنانے کے لیے کرتا ہے اور اس میں موجود کسی بھی رکاوٹ کو۔

انہوں نے اسے ایک لوکوموشن ماڈیول کے ساتھ جوڑ دیا جس نے مہارتوں کا ایک کیٹلاگ سیکھا تھا جو اسے مختلف قسم کی رکاوٹوں کو عبور کرنے میں مدد کرنے کے لیے تیار کیا گیا تھا، جس میں چھلانگ لگانا، اوپر چڑھنا، نیچے چڑھنا، اور کراؤچنگ شامل ہیں۔ آخر میں، انہوں نے ان ماڈیولز کو نیویگیشن ماڈیول کے ساتھ ضم کر دیا جو رکاوٹوں کی ایک سیریز کے ذریعے ایک کورس کو چارٹ کر سکتا ہے اور فیصلہ کر سکتا ہے کہ ان کو صاف کرنے کے لیے کن مہارتوں کو استعمال کیا جائے۔

"ہم زیادہ تر روبوٹس کے معیاری سافٹ ویئر کو نیورل نیٹ ورکس سے بدل دیتے ہیں،" نکیتا روڈن، جو کہ مقالے کے مصنفین میں سے ایک ہیں، Nvidia میں انجینئر ہیں، اور ETH زیورخ میں پی ایچ ڈی کی طالبہ ہیں، بتایا نئی سائنسی. "یہ روبوٹ کو ایسے طرز عمل حاصل کرنے کی اجازت دیتا ہے جو دوسری صورت میں ممکن نہیں تھے۔"

تحقیق کے سب سے متاثر کن پہلوؤں میں سے ایک حقیقت یہ ہے کہ روبوٹ کو نقلی تربیت دی گئی تھی۔ روبوٹکس میں ایک بڑی رکاوٹ روبوٹ کے لیے حقیقی دنیا کا کافی ڈیٹا اکٹھا کر رہی ہے جس سے سیکھنا ممکن ہے۔ تخروپن کر سکتے ہیں۔ زیادہ تیزی سے ڈیٹا اکٹھا کرنے میں مدد کریں۔ متعدد ورچوئل روبوٹس کو آزمائشوں کے ذریعے متوازی اور اس سے کہیں زیادہ رفتار پر ڈال کر جو جسمانی روبوٹس کے ساتھ ممکن ہے۔

لیکن نقلی طور پر سیکھی گئی مہارتوں کا حقیقی دنیا میں ترجمہ کرنا آسان مجازی دنیاوں اور انتہائی پیچیدہ جسمانی دنیا کے درمیان ناگزیر خلا کی وجہ سے مشکل ہے۔ ایک روبوٹک نظام کو تربیت دینا جو گھر کے اندر اور باہر دونوں جگہ غیر دیکھے ماحول میں خود مختار طور پر کام کر سکتا ہے ایک بڑی کامیابی ہے۔

تربیت کا عمل مکمل طور پر انسانی مظاہروں کے بجائے کمک سیکھنے - مؤثر طریقے سے آزمائش اور غلطی پر انحصار کرتا تھا، جس نے محققین کو ہر ایک کو دستی طور پر لیبل لگانے کے بجائے بے ترتیب منظرناموں کی ایک بہت بڑی تعداد پر AI ماڈل کو تربیت دینے کی اجازت دی۔

ایک اور متاثر کن خصوصیت یہ ہے کہ ہر چیز بیرونی کمپیوٹرز پر انحصار کرنے کی بجائے روبوٹ میں نصب چپس پر چلتی ہے۔ اور مختلف قسم کے مختلف منظرناموں سے نمٹنے کے قابل ہونے کے ساتھ ساتھ، محققین نے دکھایا کہ ANYmal رکاوٹ کا کورس مکمل کرنے کے لیے گرنے یا پھسلنے سے صحت یاب ہو سکتا ہے۔

محققین کا کہنا ہے کہ نظام کی رفتار اور موافقت سے پتہ چلتا ہے کہ اس طرح سے تربیت یافتہ روبوٹس کو ایک دن ملبے اور منہدم عمارتوں جیسے غیر متوقع، نیویگیٹ کرنے میں مشکل ماحول میں تلاش اور بچاؤ کے مشن کے لیے استعمال کیا جا سکتا ہے۔

اگرچہ نقطہ نظر کی حدود ہیں۔ اس نظام کو مخصوص قسم کی رکاوٹوں سے نمٹنے کے لیے تربیت دی گئی تھی، چاہے وہ سائز اور ترتیب میں مختلف ہوں۔ اسے زیادہ غیر ساختہ ماحول میں کام کرنے کے لیے زیادہ متنوع منظرناموں میں زیادہ تربیت کی ضرورت ہوگی تاکہ مہارتوں کا ایک وسیع پیلیٹ تیار کیا جا سکے۔ اور یہ تربیت پیچیدہ اور وقت طلب دونوں ہے۔

لیکن تحقیق بہر حال اس بات کا اشارہ ہے۔ روبوٹ تیزی سے قابل ہو رہے ہیں پیچیدہ، حقیقی دنیا کے ماحول میں کام کرنے کا۔ اس سے پتہ چلتا ہے کہ وہ جلد ہی ہمارے چاروں طرف بہت زیادہ نظر آنے والی موجودگی بن سکتے ہیں۔

تصویری کریڈٹ: ETH زیورخ

ٹائم اسٹیمپ:

سے زیادہ یکسانیت مرکز