ರೋಬೋಟ್, ನೀವೇ ತಿಳಿದುಕೊಳ್ಳಿ: ಹೊಸ ದೃಷ್ಟಿ ಆಧಾರಿತ ವ್ಯವಸ್ಥೆಯು ಯಂತ್ರಗಳಿಗೆ ತಮ್ಮ ದೇಹವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಕಲಿಸುತ್ತದೆ

MITಯ ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್ ಮತ್ತು ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಲ್ಯಾಬೊರೇಟರಿ (CSAIL) ನಲ್ಲಿರುವ ಕಛೇರಿಯಲ್ಲಿ, ಮೃದುವಾದ ರೊಬೊಟಿಕ್ ಕೈಯು ಸಣ್ಣ ವಸ್ತುವನ್ನು ಗ್ರಹಿಸಲು ತನ್ನ ಬೆರಳುಗಳನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಸುರುಳಿಯಾಗಿ ಸುತ್ತುತ್ತದೆ. ಕುತೂಹಲಕಾರಿ ಭಾಗವು ಯಾಂತ್ರಿಕ ವಿನ್ಯಾಸ ಅಥವಾ ಅಂತರ್ನಿರ್ಮಿತ ಸಂವೇದಕಗಳಲ್ಲ-ವಾಸ್ತವವಾಗಿ, ಕೈಯಲ್ಲಿ ಯಾವುದೂ ಇಲ್ಲ. ಬದಲಾಗಿ, ಇಡೀ ವ್ಯವಸ್ಥೆಯು ರೋಬೋಟ್‌ನ ಚಲನೆಯನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುವ ಮತ್ತು ಅದನ್ನು ನಿಯಂತ್ರಿಸಲು ಆ ದೃಶ್ಯ ಡೇಟಾವನ್ನು ಬಳಸುವ ಒಂದೇ ಕ್ಯಾಮೆರಾವನ್ನು ಅವಲಂಬಿಸಿದೆ.

ಈ ಸಾಮರ್ಥ್ಯವು CSAIL ವಿಜ್ಞಾನಿಗಳು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಹೊಸ ವ್ಯವಸ್ಥೆಯಿಂದ ಬಂದಿದೆ, ಇದು ರೋಬೋಟಿಕ್ ನಿಯಂತ್ರಣದ ಬಗ್ಗೆ ವಿಭಿನ್ನ ದೃಷ್ಟಿಕೋನವನ್ನು ನೀಡುತ್ತದೆ. ಕೈಯಿಂದ ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಮಾದರಿಗಳು ಅಥವಾ ಸಂಕೀರ್ಣ ಸಂವೇದಕ ನೆಟ್‌ವರ್ಕ್‌ಗಳನ್ನು ಬಳಸುವ ಬದಲು, ದೃಷ್ಟಿಯ ಮೂಲಕ ನಿಯಂತ್ರಣ ಆಜ್ಞೆಗಳಿಗೆ ತಮ್ಮ ದೇಹಗಳು ಹೇಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ತಿಳಿದುಕೊಳ್ಳಲು ಇದು ರೋಬೋಟ್‌ಗಳಿಗೆ ಅನುಮತಿಸುತ್ತದೆ. ನ್ಯೂರಲ್ ಜಾಕೋಬಿಯನ್ ಫೀಲ್ಡ್ಸ್ (NJF) ಎಂಬ ವಿಧಾನವು ರೋಬೋಟ್‌ಗಳಿಗೆ ಒಂದು ರೀತಿಯ ದೈಹಿಕ ಸ್ವಯಂ-ಅರಿವು ನೀಡುತ್ತದೆ. ಕೃತಿಯ ಕುರಿತು ಮುಕ್ತ ಪ್ರವೇಶ ದಾಖಲೆಯನ್ನು ಪ್ರಕಟಿಸಲಾಗಿದೆ ಪ್ರಕೃತಿ ಜೂನ್ 25 ರಂದು.

“ಈ ಪತ್ರಿಕೆಯು ಪ್ರೋಗ್ರಾಮಿಂಗ್ ರೋಬೋಟ್‌ಗಳಿಂದ ರೋಬೋಟ್‌ಗಳನ್ನು ಕಲಿಸುವ ಕಡೆಗೆ ಬದಲಾಯಿಸುವುದನ್ನು ಸೂಚಿಸುತ್ತದೆ” ಎಂದು MIT ಎಲೆಕ್ಟ್ರಿಕಲ್ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ಎಂಜಿನಿಯರಿಂಗ್ ಪಿಎಚ್‌ಡಿ ವಿದ್ಯಾರ್ಥಿ, CSAIL ಅಂಗಸಂಸ್ಥೆ ಮತ್ತು ಪತ್ರಿಕೆಯ ಪ್ರಧಾನ ತನಿಖಾಧಿಕಾರಿ ಸಿಝೆ ಲೆಸ್ಟರ್ ಲಿ ಹೇಳುತ್ತಾರೆ. “ಇಂದು, ಅನೇಕ ರೊಬೊಟಿಕ್ಸ್ ಕಾರ್ಯಗಳಿಗೆ ವ್ಯಾಪಕವಾದ ಇಂಜಿನಿಯರಿಂಗ್ ಮತ್ತು ಕೋಡಿಂಗ್ ಅಗತ್ಯವಿರುತ್ತದೆ. ಭವಿಷ್ಯದಲ್ಲಿ, ನಾವು ರೋಬೋಟ್ಗೆ ಏನು ಮಾಡಬೇಕೆಂದು ತೋರಿಸುತ್ತೇವೆ ಮತ್ತು ಗುರಿಯನ್ನು ಸ್ವಾಯತ್ತವಾಗಿ ಸಾಧಿಸುವುದು ಹೇಗೆ ಎಂದು ಕಲಿಯಲು ಅವಕಾಶ ಮಾಡಿಕೊಡುತ್ತೇವೆ.”

ಪ್ರೇರಣೆಯು ಸರಳವಾದ ಆದರೆ ಶಕ್ತಿಯುತವಾದ ಪುನರ್ನಿರ್ಮಾಣದಿಂದ ಬರುತ್ತದೆ: ಕೈಗೆಟುಕುವ ಮತ್ತು ಹೊಂದಿಕೊಳ್ಳುವ ರೊಬೊಟಿಕ್ಸ್‌ಗೆ ಮುಖ್ಯ ತಡೆಗೋಡೆ ಹಾರ್ಡ್‌ವೇರ್ ಅಲ್ಲ, ಆದರೆ ಸಾಮರ್ಥ್ಯ ನಿಯಂತ್ರಣ, ಇದನ್ನು ಹಲವಾರು ರೀತಿಯಲ್ಲಿ ಸಾಧಿಸಬಹುದು. ಸಾಂಪ್ರದಾಯಿಕ ರೋಬೋಟ್‌ಗಳನ್ನು ಕಟ್ಟುನಿಟ್ಟಾದ ಮತ್ತು ಸಂವೇದಕ-ಸಮೃದ್ಧವಾಗಿ ನಿರ್ಮಿಸಲಾಗಿದೆ, ಇದು ಡಿಜಿಟಲ್ ಅವಳಿ, ನಿಯಂತ್ರಣಕ್ಕಾಗಿ ಬಳಸಲಾಗುವ ನಿಖರವಾದ ಗಣಿತದ ಪ್ರತಿಕೃತಿಯನ್ನು ನಿರ್ಮಿಸಲು ಸುಲಭಗೊಳಿಸುತ್ತದೆ. ಆದರೆ ರೋಬೋಟ್ ಮೃದುವಾದ, ವಿರೂಪಗೊಳಿಸಬಹುದಾದ ಅಥವಾ ಅನಿಯಮಿತವಾಗಿ ಆಕಾರದಲ್ಲಿದ್ದಾಗ, ಆ ಊಹೆಗಳು ಬೇರ್ಪಡುತ್ತವೆ. ನಮ್ಮ ಮಾದರಿಗಳನ್ನು ಹೊಂದಿಸಲು ರೋಬೋಟ್‌ಗಳನ್ನು ಒತ್ತಾಯಿಸುವ ಬದಲು, NJF ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ತಿರುಗಿಸುತ್ತದೆ, ರೋಬೋಟ್‌ಗಳಿಗೆ ವೀಕ್ಷಣೆಯಿಂದ ತಮ್ಮದೇ ಆದ ಆಂತರಿಕ ಮಾದರಿಯನ್ನು ಕಲಿಯುವ ಸಾಮರ್ಥ್ಯವನ್ನು ನೀಡುತ್ತದೆ.

ವೀಕ್ಷಿಸಿ ಮತ್ತು ಕಲಿಯಿರಿ

ಮಾಡೆಲಿಂಗ್ ಮತ್ತು ಹಾರ್ಡ್‌ವೇರ್ ವಿನ್ಯಾಸದ ನಡುವಿನ ಈ ಡಿಕೌಪ್ಲಿಂಗ್ ರೊಬೊಟಿಕ್ಸ್‌ಗಾಗಿ ವಿನ್ಯಾಸ ಜಾಗವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ವಿಸ್ತರಿಸಬಹುದು. ಮೃದುವಾದ ಮತ್ತು ಜೈವಿಕ-ಪ್ರೇರಿತ ರೋಬೋಟ್‌ಗಳಲ್ಲಿ, ವಿನ್ಯಾಸಕರು ಸಾಮಾನ್ಯವಾಗಿ ಸಂವೇದಕಗಳನ್ನು ಎಂಬೆಡ್ ಮಾಡುತ್ತಾರೆ ಅಥವಾ ಮಾಡೆಲಿಂಗ್ ಕಾರ್ಯಸಾಧ್ಯವಾಗುವಂತೆ ರಚನೆಯ ಭಾಗಗಳನ್ನು ಬಲಪಡಿಸುತ್ತಾರೆ. NJF ಈ ನಿರ್ಬಂಧವನ್ನು ತೆಗೆದುಹಾಕುತ್ತದೆ. ನಿಯಂತ್ರಣವನ್ನು ಸಾಧ್ಯವಾಗಿಸಲು ಸಿಸ್ಟಮ್‌ಗೆ ಯಾವುದೇ ಆನ್-ಬೋರ್ಡ್ ಸಂವೇದಕಗಳು ಅಥವಾ ವಿನ್ಯಾಸ ಬದಲಾವಣೆಗಳ ಅಗತ್ಯವಿಲ್ಲ. ವಿನ್ಯಾಸಕರು ಅಸಾಂಪ್ರದಾಯಿಕ, ಅನಿಯಂತ್ರಿತ ರೂಪವಿಜ್ಞಾನಗಳನ್ನು ನಂತರ ರೂಪಿಸಲು ಅಥವಾ ನಿಯಂತ್ರಿಸಲು ಸಾಧ್ಯವಾಗುವ ಬಗ್ಗೆ ಚಿಂತಿಸದೆ ಅನ್ವೇಷಿಸಲು ಮುಕ್ತರಾಗಿದ್ದಾರೆ.

“ನಿಮ್ಮ ಬೆರಳುಗಳನ್ನು ನಿಯಂತ್ರಿಸಲು ನೀವು ಹೇಗೆ ಕಲಿಯುತ್ತೀರಿ ಎಂಬುದರ ಕುರಿತು ಯೋಚಿಸಿ: ನೀವು ಚಲಿಸುತ್ತೀರಿ, ನೀವು ಗಮನಿಸುತ್ತೀರಿ, ನೀವು ಹೊಂದಿಕೊಳ್ಳುತ್ತೀರಿ” ಎಂದು ಲಿ ಹೇಳುತ್ತಾರೆ. “ನಮ್ಮ ಸಿಸ್ಟಮ್ ಏನು ಮಾಡುತ್ತದೆ. ಇದು ಯಾದೃಚ್ಛಿಕ ಕ್ರಿಯೆಗಳೊಂದಿಗೆ ಪ್ರಯೋಗಿಸುತ್ತದೆ ಮತ್ತು ರೋಬೋಟ್ನ ಯಾವ ಭಾಗಗಳನ್ನು ಯಾವ ಆಜ್ಞೆಗಳು ಚಲಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ.”

ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ರೋಬೋಟ್ ಪ್ರಕಾರಗಳಲ್ಲಿ ಸಿಸ್ಟಮ್ ದೃಢವಾಗಿ ಸಾಬೀತಾಗಿದೆ. ತಂಡವು ಎನ್‌ಜೆಎಫ್ ಅನ್ನು ಪಿಂಚ್ ಮಾಡುವ ಮತ್ತು ಗ್ರಹಿಸುವ ಸಾಮರ್ಥ್ಯವಿರುವ ನ್ಯೂಮ್ಯಾಟಿಕ್ ಸಾಫ್ಟ್ ರೊಬೊಟಿಕ್ ಕೈಯಲ್ಲಿ, ಕಠಿಣವಾದ ಅಲೆಗ್ರೊ ಕೈ, 3D ಮುದ್ರಿತ ರೊಬೊಟಿಕ್ ತೋಳು ಮತ್ತು ಯಾವುದೇ ಎಂಬೆಡೆಡ್ ಸಂವೇದಕಗಳಿಲ್ಲದ ತಿರುಗುವ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ ಪರೀಕ್ಷಿಸಿದೆ. ಪ್ರತಿಯೊಂದು ಸಂದರ್ಭದಲ್ಲಿ, ವ್ಯವಸ್ಥೆಯು ರೋಬೋಟ್‌ನ ಆಕಾರ ಮತ್ತು ನಿಯಂತ್ರಣ ಸಂಕೇತಗಳಿಗೆ ಹೇಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಕೇವಲ ದೃಷ್ಟಿ ಮತ್ತು ಯಾದೃಚ್ಛಿಕ ಚಲನೆಯಿಂದ ಕಲಿತಿದೆ.

ಸಂಶೋಧಕರು ಪ್ರಯೋಗಾಲಯವನ್ನು ಮೀರಿದ ಸಾಮರ್ಥ್ಯವನ್ನು ನೋಡುತ್ತಾರೆ. NJF-ಸುಸಜ್ಜಿತ ರೋಬೋಟ್‌ಗಳು ಒಂದು ದಿನ ಸೆಂಟಿಮೀಟರ್-ಮಟ್ಟದ ಸ್ಥಳ ನಿಖರತೆಯೊಂದಿಗೆ ಕೃಷಿ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಬಹುದು, ವಿಸ್ತಾರವಾದ ಸಂವೇದಕ ರಚನೆಗಳಿಲ್ಲದೆ ನಿರ್ಮಾಣ ಸೈಟ್‌ಗಳಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದು ಅಥವಾ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು ವಿಫಲಗೊಳ್ಳುವ ಡೈನಾಮಿಕ್ ಪರಿಸರದಲ್ಲಿ ನ್ಯಾವಿಗೇಟ್ ಮಾಡಬಹುದು.

NJF ನ ಹೃದಯಭಾಗದಲ್ಲಿ ರೋಬೋಟ್‌ನ ಸಾಕಾರದ ಎರಡು ಹೆಣೆದುಕೊಂಡಿರುವ ಅಂಶಗಳನ್ನು ಸೆರೆಹಿಡಿಯುವ ಒಂದು ನರಮಂಡಲವಿದೆ: ಅದರ ಮೂರು-ಆಯಾಮದ ರೇಖಾಗಣಿತ ಮತ್ತು ಒಳಹರಿವುಗಳನ್ನು ನಿಯಂತ್ರಿಸಲು ಅದರ ಸೂಕ್ಷ್ಮತೆ. ಈ ವ್ಯವಸ್ಥೆಯು ನ್ಯೂರಲ್ ರೇಡಿಯೇಶನ್ ಫೀಲ್ಡ್ಸ್ (NeRF) ಅನ್ನು ಆಧರಿಸಿದೆ, ಇದು ಪ್ರಾದೇಶಿಕ ನಿರ್ದೇಶಾಂಕಗಳನ್ನು ಬಣ್ಣ ಮತ್ತು ಸಾಂದ್ರತೆಯ ಮೌಲ್ಯಗಳಿಗೆ ಮ್ಯಾಪಿಂಗ್ ಮಾಡುವ ಮೂಲಕ ಚಿತ್ರಗಳಿಂದ 3D ದೃಶ್ಯಗಳನ್ನು ಪುನರ್ನಿರ್ಮಿಸುವ ತಂತ್ರವಾಗಿದೆ. ರೋಬೋಟ್‌ನ ಆಕಾರವನ್ನು ಮಾತ್ರವಲ್ಲದೆ ಜಾಕೋಬಿಯನ್ ಕ್ಷೇತ್ರವನ್ನೂ ಕಲಿಯುವ ಮೂಲಕ NJF ಈ ವಿಧಾನವನ್ನು ವಿಸ್ತರಿಸುತ್ತದೆ, ಇದು ಮೋಟಾರು ಆಜ್ಞೆಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ರೋಬೋಟ್‌ನ ದೇಹದ ಮೇಲೆ ಯಾವುದೇ ಬಿಂದುವು ಹೇಗೆ ಚಲಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಊಹಿಸುತ್ತದೆ.

ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು, ರೋಬೋಟ್ ಯಾದೃಚ್ಛಿಕ ಚಲನೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ ಆದರೆ ಬಹು ಕ್ಯಾಮೆರಾಗಳು ಫಲಿತಾಂಶಗಳನ್ನು ದಾಖಲಿಸುತ್ತವೆ. ಯಾವುದೇ ಮಾನವ ಮೇಲ್ವಿಚಾರಣೆ ಅಥವಾ ರೋಬೋಟ್‌ನ ರಚನೆಯ ಪೂರ್ವ ಜ್ಞಾನದ ಅಗತ್ಯವಿಲ್ಲ – ವ್ಯವಸ್ಥೆಯು ನಿಯಂತ್ರಣ ಸಂಕೇತಗಳು ಮತ್ತು ದೃಷ್ಟಿಯ ಚಲನೆಯ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಸರಳವಾಗಿ ಊಹಿಸುತ್ತದೆ.

ತರಬೇತಿ ಪೂರ್ಣಗೊಂಡ ನಂತರ, ರೋಬೋಟ್‌ಗೆ ನೈಜ-ಸಮಯದ ಕ್ಲೋಸ್ಡ್-ಲೂಪ್ ನಿಯಂತ್ರಣಕ್ಕಾಗಿ ಕೇವಲ ಒಂದು ಮೊನೊಕ್ಯುಲರ್ ಕ್ಯಾಮೆರಾ ಅಗತ್ಯವಿರುತ್ತದೆ, ಇದು ಸುಮಾರು 12 ಹರ್ಟ್ಜ್‌ನಲ್ಲಿ ಚಲಿಸುತ್ತದೆ. ಇದು ತನ್ನನ್ನು ನಿರಂತರವಾಗಿ ಗಮನಿಸಲು, ಯೋಜಿಸಲು ಮತ್ತು ಸ್ಪಂದಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಈ ವೇಗವು NJF ಅನ್ನು ಸಾಫ್ಟ್ ರೋಬೋಟ್‌ಗಳಿಗಾಗಿ ಅನೇಕ ಭೌತಶಾಸ್ತ್ರ-ಆಧಾರಿತ ಸಿಮ್ಯುಲೇಟರ್‌ಗಳಿಗಿಂತ ಹೆಚ್ಚು ಕಾರ್ಯಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ, ಇದು ನೈಜ-ಸಮಯದ ಬಳಕೆಗೆ ಸಾಮಾನ್ಯವಾಗಿ ತುಂಬಾ ಕಂಪ್ಯೂಟೇಶನಲ್ ಆಗಿ ತೀವ್ರವಾಗಿರುತ್ತದೆ.

ಆರಂಭಿಕ ಸಿಮ್ಯುಲೇಶನ್‌ಗಳಲ್ಲಿ, ಸರಳವಾದ 2D ಬೆರಳುಗಳು ಮತ್ತು ಸ್ಲೈಡರ್‌ಗಳು ಸಹ ಕೆಲವು ಉದಾಹರಣೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಈ ಮ್ಯಾಪಿಂಗ್ ಅನ್ನು ಕಲಿಯಲು ಸಾಧ್ಯವಾಯಿತು. ಕ್ರಿಯೆಗೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ಕೆಲವು ಅಂಕಗಳು ಹೇಗೆ ವಿರೂಪಗೊಳ್ಳುತ್ತವೆ ಅಥವಾ ಬದಲಾಗುತ್ತವೆ ಎಂಬುದನ್ನು ಮಾಡೆಲಿಂಗ್ ಮಾಡುವ ಮೂಲಕ, NJF ನಿಯಂತ್ರಣದ ದಟ್ಟವಾದ ನಕ್ಷೆಯನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ. ಈ ಆಂತರಿಕ ಮಾದರಿಯು ರೋಬೋಟ್‌ನ ದೇಹದಲ್ಲಿನ ಚಲನೆಯನ್ನು ಸಾಮಾನ್ಯೀಕರಿಸಲು ಅನುಮತಿಸುತ್ತದೆ, ಡೇಟಾವು ಗದ್ದಲದ ಅಥವಾ ಅಪೂರ್ಣವಾಗಿದ್ದರೂ ಸಹ.

“ನಿಜವಾಗಿಯೂ ಆಸಕ್ತಿದಾಯಕ ಸಂಗತಿಯೆಂದರೆ, ರೋಬೋಟ್‌ನ ಯಾವ ಭಾಗಗಳನ್ನು ಯಾವ ಮೋಟಾರ್‌ಗಳು ನಿಯಂತ್ರಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಸಿಸ್ಟಮ್ ಸ್ವತಃ ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ” ಎಂದು ಲಿ ಹೇಳುತ್ತಾರೆ. “ಇದು ಪ್ರೋಗ್ರಾಮ್ ಮಾಡಲಾಗಿಲ್ಲ – ಇದು ಕಲಿಕೆಯ ಮೂಲಕ ಸ್ವಾಭಾವಿಕವಾಗಿ ಸಂಭವಿಸುತ್ತದೆ, ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ಹೊಸ ಸಾಧನದಲ್ಲಿ ಬಟನ್‌ಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವಂತೆಯೇ.”

ಭವಿಷ್ಯವು ಮೃದುವಾಗಿರುತ್ತದೆ

ದಶಕಗಳಿಂದ, ರೊಬೊಟಿಕ್ಸ್ ಕಾರ್ಖಾನೆಗಳಲ್ಲಿ ಕಂಡುಬರುವ ಕೈಗಾರಿಕಾ ಶಸ್ತ್ರಾಸ್ತ್ರಗಳಂತಹ ಕಠಿಣವಾದ, ಸುಲಭವಾಗಿ ಮಾದರಿಯ ಯಂತ್ರಗಳಿಗೆ ಒಲವು ತೋರಿದೆ, ಏಕೆಂದರೆ ಅವುಗಳ ಗುಣಲಕ್ಷಣಗಳು ನಿಯಂತ್ರಣವನ್ನು ಸರಳಗೊಳಿಸುತ್ತದೆ. ಆದರೆ ಕ್ಷೇತ್ರವು ಮೃದುವಾದ, ಜೈವಿಕ-ಪ್ರೇರಿತ ರೋಬೋಟ್‌ಗಳ ಕಡೆಗೆ ಬದಲಾಗಿದೆ, ಅದು ನೈಜ ಪ್ರಪಂಚಕ್ಕೆ ಹೆಚ್ಚು ದ್ರವವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ. ವಿನಿಮಯ? ಈ ರೋಬೋಟ್‌ಗಳನ್ನು ಮಾಡೆಲ್ ಮಾಡುವುದು ಕಷ್ಟ.

“ದುಬಾರಿ ಸಂವೇದಕಗಳು ಮತ್ತು ಸಂಕೀರ್ಣ ಪ್ರೋಗ್ರಾಮಿಂಗ್‌ನಿಂದಾಗಿ ಇಂದಿನ ರೊಬೊಟಿಕ್ಸ್ ಸಾಮಾನ್ಯವಾಗಿ ತಲುಪುವುದಿಲ್ಲ ಎಂದು ಭಾವಿಸುತ್ತದೆ. ನ್ಯೂರಲ್ ಜಾಕೋಬಿಯನ್ ಫೀಲ್ಡ್ಸ್‌ನೊಂದಿಗಿನ ನಮ್ಮ ಗುರಿಯು ತಡೆಗೋಡೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು, ರೊಬೊಟಿಕ್ಸ್ ಅನ್ನು ಕೈಗೆಟುಕುವ, ಹೊಂದಿಕೊಳ್ಳುವ ಮತ್ತು ಹೆಚ್ಚಿನ ಜನರಿಗೆ ಪ್ರವೇಶಿಸುವಂತೆ ಮಾಡುವುದು. ದೃಷ್ಟಿ ಒಂದು ದೃಢವಾದ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಸಂವೇದಕವಾಗಿದೆ,” ಎಂದು ಪ್ರಮುಖ ಲೇಖಕ ಮತ್ತು MIT ಸಹಾಯಕ ಪ್ರೊಫೆಸರ್ ವಿನ್ಸೆಂಟ್ ಗ್ರೂಪ್ ಲೀಡ್ ಸಿಟ್ಜ್‌ಮ್ಯಾನ್ ಹೇಳುತ್ತಾರೆ. “ಇದು ರೋಬೋಟ್‌ಗಳಿಗೆ ಬಾಗಿಲು ತೆರೆಯುತ್ತದೆ, ಅದು ಗಲೀಜು, ರಚನೆಯಿಲ್ಲದ ಪರಿಸರದಲ್ಲಿ, ಫಾರ್ಮ್‌ಗಳಿಂದ ನಿರ್ಮಾಣ ಸ್ಥಳಗಳಿಗೆ, ದುಬಾರಿ ಮೂಲಸೌಕರ್ಯವಿಲ್ಲದೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.”

“ಜಿಪಿಎಸ್, ಬಾಹ್ಯ ಟ್ರ್ಯಾಕಿಂಗ್ ವ್ಯವಸ್ಥೆಗಳು ಅಥವಾ ಸಂಕೀರ್ಣ ಆನ್-ಬೋರ್ಡ್ ಸಂವೇದಕಗಳ ಅಗತ್ಯವನ್ನು ತೆಗೆದುಹಾಕುವ ದೃಷ್ಟಿ ಮಾತ್ರ ಸ್ಥಳ ಮತ್ತು ನಿಯಂತ್ರಣಕ್ಕೆ ಅಗತ್ಯವಾದ ಸೂಚನೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಇದು ರಚನಾತ್ಮಕವಲ್ಲದ ಪರಿಸರದಲ್ಲಿ ದೃಢವಾದ ಮತ್ತು ಹೊಂದಾಣಿಕೆಯ ನಡವಳಿಕೆಗೆ ಬಾಗಿಲು ತೆರೆಯುತ್ತದೆ, ನಕ್ಷೆಗಳಿಲ್ಲದೆ ಒಳಾಂಗಣ ಅಥವಾ ಭೂಗತವಾಗಿ ನ್ಯಾವಿಗೇಟ್ ಮಾಡುವ ಡ್ರೋನ್‌ಗಳಿಂದ ಹಿಡಿದು ಮೊಬೈಲ್ ಮ್ಯಾನಿಪ್ಯುಲೇಟರ್‌ಗಳು, ಕಿಕ್ಕಿರಿದ ಮನೆಗಳು ಅಥವಾ ವೇರ್‌ಹೌಸ್‌ಗಳಲ್ಲಿ ಕೆಲಸ ಮಾಡುವ ಮೊಬೈಲ್ ಮ್ಯಾನಿಪ್ಯುಲೇಟರ್‌ಗಳು ಹೇಳುತ್ತಾರೆ. ರುಸೌ, ಅಸಮ ಭೂಪ್ರದೇಶದ ಪ್ರಾಧ್ಯಾಪಕ. ಎಂಜಿನಿಯರಿಂಗ್ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನ ಮತ್ತು CSAIL ನ ನಿರ್ದೇಶಕ. “ದೃಶ್ಯ ಪ್ರತಿಕ್ರಿಯೆಯಿಂದ ಕಲಿಯುವುದು, ಈ ವ್ಯವಸ್ಥೆಗಳು ತಮ್ಮದೇ ಆದ ಚಲನೆ ಮತ್ತು ಡೈನಾಮಿಕ್ಸ್‌ನ ಆಂತರಿಕ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತವೆ, ಸಾಂಪ್ರದಾಯಿಕ ಸ್ಥಳೀಕರಣ ವಿಧಾನಗಳು ವಿಫಲಗೊಳ್ಳುವ ಹೊಂದಿಕೊಳ್ಳುವ, ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಣೆಯ ಕಾರ್ಯಾಚರಣೆಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತವೆ.”

NJF ತರಬೇತಿಗೆ ಪ್ರಸ್ತುತ ಬಹು ಕ್ಯಾಮೆರಾಗಳು ಬೇಕಾಗುತ್ತವೆ ಮತ್ತು ಪ್ರತಿ ರೋಬೋಟ್‌ಗೆ ಮತ್ತೆ ಮಾಡಬೇಕಾಗಿದೆ, ಸಂಶೋಧಕರು ಈಗಾಗಲೇ ಹೆಚ್ಚು ಕೈಗೆಟುಕುವ ಆವೃತ್ತಿಯನ್ನು ರೂಪಿಸುತ್ತಿದ್ದಾರೆ. ಭವಿಷ್ಯದಲ್ಲಿ, ಹವ್ಯಾಸಿಗಳು ತಮ್ಮ ಫೋನ್‌ನೊಂದಿಗೆ ರೋಬೋಟ್‌ನ ಯಾದೃಚ್ಛಿಕ ಚಲನೆಯನ್ನು ರೆಕಾರ್ಡ್ ಮಾಡಬಹುದು, ನೀವು ಓಡಿಸುವ ಮೊದಲು ಬಾಡಿಗೆ ಕಾರನ್ನು ವೀಡಿಯೊ ಮಾಡಿ ಮತ್ತು ಯಾವುದೇ ಪೂರ್ವ ಜ್ಞಾನ ಅಥವಾ ವಿಶೇಷ ಉಪಕರಣದ ಅಗತ್ಯವಿಲ್ಲದೆ ನಿಯಂತ್ರಣ ಮಾದರಿಯನ್ನು ರಚಿಸಲು ಆ ತುಣುಕನ್ನು ಬಳಸಿ.

ವ್ಯವಸ್ಥೆಯು ಇನ್ನೂ ವಿಭಿನ್ನ ರೋಬೋಟ್‌ಗಳಿಗೆ ಸಾಮಾನ್ಯೀಕರಿಸುವುದಿಲ್ಲ ಮತ್ತು ಬಲ ಅಥವಾ ಸ್ಪರ್ಶ ಸಂವೇದನೆಯನ್ನು ಹೊಂದಿರುವುದಿಲ್ಲ, ಸಂಪರ್ಕ-ಸಮೃದ್ಧ ಕಾರ್ಯಗಳಲ್ಲಿ ಅದರ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಸೀಮಿತಗೊಳಿಸುತ್ತದೆ. ಆದರೆ ತಂಡವು ಈ ಮಿತಿಗಳನ್ನು ಪರಿಹರಿಸಲು ಹೊಸ ಮಾರ್ಗಗಳನ್ನು ಅನ್ವೇಷಿಸುತ್ತಿದೆ: ಸಾಮಾನ್ಯೀಕರಣವನ್ನು ಸುಧಾರಿಸುವುದು, ಮುಚ್ಚುವಿಕೆಗಳನ್ನು ನಿರ್ವಹಿಸುವುದು ಮತ್ತು ದೀರ್ಘವಾದ ಪ್ರಾದೇಶಿಕ ಮತ್ತು ತಾತ್ಕಾಲಿಕ ಹಾರಿಜಾನ್‌ಗಳ ಮೇಲೆ ತರ್ಕಿಸುವ ಮಾದರಿಯ ಸಾಮರ್ಥ್ಯವನ್ನು ವಿಸ್ತರಿಸುವುದು.

“ಮಾನವರು ತಮ್ಮ ದೇಹಗಳು ಹೇಗೆ ಚಲಿಸುತ್ತವೆ ಮತ್ತು ಆಜ್ಞೆಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತವೆ ಎಂಬುದರ ಬಗ್ಗೆ ಅರ್ಥಗರ್ಭಿತ ತಿಳುವಳಿಕೆಯನ್ನು ಬೆಳೆಸಿಕೊಳ್ಳುವಂತೆಯೇ, NJF ರೋಬೋಟ್‌ಗಳಿಗೆ ಈ ರೀತಿಯ ಅಂತರ್ನಿರ್ಮಿತ ಸ್ವಯಂ-ಅರಿವನ್ನು ದೃಷ್ಟಿಯ ಮೂಲಕ ನೀಡುತ್ತದೆ” ಎಂದು ಲಿ ಹೇಳುತ್ತಾರೆ. “ಈ ತಿಳುವಳಿಕೆಯು ನೈಜ-ಪ್ರಪಂಚದ ಪರಿಸರದಲ್ಲಿ ಹೊಂದಿಕೊಳ್ಳುವ ಕುಶಲತೆ ಮತ್ತು ನಿಯಂತ್ರಣಕ್ಕೆ ಅಡಿಪಾಯವಾಗಿದೆ. ನಮ್ಮ ಕೆಲಸವು ಮೂಲಭೂತವಾಗಿ, ರೋಬೋಟಿಕ್ಸ್‌ನಲ್ಲಿ ವಿಶಾಲವಾದ ಪ್ರವೃತ್ತಿಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ: ವಿವರವಾದ ಮಾದರಿಗಳ ಹಸ್ತಚಾಲಿತ ಪ್ರೋಗ್ರಾಮಿಂಗ್‌ನಿಂದ ವೀಕ್ಷಣೆ ಮತ್ತು ಪರಸ್ಪರ ಕ್ರಿಯೆಯ ಮೂಲಕ ರೋಬೋಟ್‌ಗಳಿಗೆ ಬೋಧನೆಗೆ ಬದಲಾವಣೆ.”

ಈ ಕೆಲಸವು ಸಿಟ್ಜ್‌ಮನ್ ಲ್ಯಾಬ್‌ನಿಂದ ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಮತ್ತು ಸ್ವಯಂ-ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯ ಕೆಲಸವನ್ನು ಮತ್ತು ರಸ್ ಲ್ಯಾಬ್‌ನಿಂದ ಸಾಫ್ಟ್ ರೊಬೊಟಿಕ್ಸ್ ಪರಿಣತಿಯನ್ನು ಒಟ್ಟುಗೂಡಿಸಿತು. Li, Sitzmann ಮತ್ತು Rus ಅವರು CSAIL ಅಂಗಸಂಸ್ಥೆಗಳಾದ ಅನ್ನನ್ ಜಾಂಗ್ SM ’22, ಎಲೆಕ್ಟ್ರಿಕಲ್ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ಇಂಜಿನಿಯರಿಂಗ್ (EECS) ನಲ್ಲಿ PhD ವಿದ್ಯಾರ್ಥಿಯೊಂದಿಗೆ ಸಹ-ಲೇಖಕರಾಗಿದ್ದಾರೆ; ಬೊಯುವಾನ್ ಚೆನ್, ಇಇಸಿಎಸ್‌ನಲ್ಲಿ ಪಿಎಚ್‌ಡಿ ವಿದ್ಯಾರ್ಥಿ; ಹಾನ್ನಾ ಮಾಟುಸಿಕ್, ಮೆಕ್ಯಾನಿಕಲ್ ಇಂಜಿನಿಯರಿಂಗ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಸಂಶೋಧಕ; ಮತ್ತು ಚಾವೊ ಲಿಯು, MITಯ ಸೆನ್ಸಬಲ್ ಸಿಟಿ ಲ್ಯಾಬ್‌ನಲ್ಲಿ ಪೋಸ್ಟ್-ಡಾಕ್.

MIT ಸಂಶೋಧನಾ ಬೆಂಬಲ ಸಮಿತಿ, MIT ಅಧ್ಯಕ್ಷೀಯ ಫೆಲೋಶಿಪ್, ನ್ಯಾಷನಲ್ ಸೈನ್ಸ್ ಫೌಂಡೇಶನ್ ಮತ್ತು ಗ್ವಾಂಗ್ಜು ಇನ್‌ಸ್ಟಿಟ್ಯೂಟ್ ಆಫ್ ಸೈನ್ಸ್ ಅಂಡ್ ಟೆಕ್ನಾಲಜಿ ಮೂಲಕ ಸೊಲೊಮನ್ ಬುಚ್‌ಬಾಮ್ ಸಂಶೋಧನಾ ನಿಧಿಯಿಂದ ಸಂಶೋಧನೆಯು ಬೆಂಬಲಿತವಾಗಿದೆ.