ಹೊಸ ವ್ಯವಸ್ಥೆಯು ರೋಬೋಟ್‌ಗಳನ್ನು ಸೆಕೆಂಡುಗಳಲ್ಲಿ ನಿಭಾಯಿಸುವ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಅನುಮತಿಸುತ್ತದೆ

ಆ ಬಹುನಿರೀಕ್ಷಿತ ಬೇಸಿಗೆ ರಜೆಗೆ ನೀವು ಸಿದ್ಧರಿದ್ದೀರಾ? ಮೊದಲಿಗೆ, ನಿಮ್ಮ ಎಲ್ಲಾ ಪ್ರಯಾಣದ ಅಗತ್ಯ ವಸ್ತುಗಳನ್ನು ನೀವು ಸೂಟ್‌ಕೇಸ್‌ನಲ್ಲಿ ಪ್ಯಾಕ್ ಮಾಡಬೇಕಾಗುತ್ತದೆ, ದುರ್ಬಲವಾದ ಯಾವುದನ್ನೂ ಪುಡಿಮಾಡದೆ ಎಲ್ಲವೂ ಹಿತಕರವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ.

ಮಾನವರು ಬಲವಾದ ದೃಶ್ಯ ಮತ್ತು ಜ್ಯಾಮಿತೀಯ ತಾರ್ಕಿಕ ಕೌಶಲ್ಯಗಳನ್ನು ಹೊಂದಿರುವುದರಿಂದ, ಇದು ಸಾಮಾನ್ಯವಾಗಿ ಸರಳವಾದ ಸಮಸ್ಯೆಯಾಗಿದೆ, ಆದರೂ ಎಲ್ಲವನ್ನೂ ಒಟ್ಟಿಗೆ ಸೇರಿಸಲು ಸ್ವಲ್ಪ ಪ್ರಯತ್ನ ತೆಗೆದುಕೊಳ್ಳಬಹುದು.

ಆದಾಗ್ಯೂ, ರೋಬೋಟ್‌ಗೆ, ಇದು ಅತ್ಯಂತ ಸಂಕೀರ್ಣವಾದ ಯೋಜನೆ ಸವಾಲಾಗಿದೆ, ಇದು ಏಕಕಾಲದಲ್ಲಿ ಅನೇಕ ಕ್ರಮಗಳು, ನಿರ್ಬಂಧಗಳು ಮತ್ತು ಯಾಂತ್ರಿಕ ಸಾಮರ್ಥ್ಯಗಳ ಬಗ್ಗೆ ಯೋಚಿಸುವ ಅಗತ್ಯವಿರುತ್ತದೆ. ದಕ್ಷ ಪರಿಹಾರವನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ರೋಬೋಟ್‌ಗೆ ಬಹಳ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳಬಹುದು – ಅದು ಒಂದನ್ನು ತರಲು ಸಾಧ್ಯವಾದರೆ.

MIT ಮತ್ತು NVIDIA ರಿಸರ್ಚ್‌ನ ಸಂಶೋಧಕರು ರೋಬೋಟ್‌ನ ಯೋಜನಾ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಾಟಕೀಯವಾಗಿ ವೇಗಗೊಳಿಸುವ ಹೊಸ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ. ಅವರ ವಿಧಾನವು ರೋಬೋಟ್‌ಗೆ ಸಮಾನಾಂತರವಾಗಿ ಸಾವಿರಾರು ಸಂಭವನೀಯ ಪರಿಹಾರಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಮೂಲಕ “ಮುಂದೆ ಯೋಚಿಸಲು” ಅನುಮತಿಸುತ್ತದೆ ಮತ್ತು ನಂತರ ರೋಬೋಟ್ ಮತ್ತು ಅದರ ಪರಿಸರದ ನಿರ್ಬಂಧಗಳನ್ನು ಪೂರೈಸಲು ಉತ್ತಮವಾದವುಗಳನ್ನು ಪರಿಷ್ಕರಿಸುತ್ತದೆ.

ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಅನೇಕ ವಿಧಾನಗಳಂತೆ ಪ್ರತಿ ಸಂಭಾವ್ಯ ಕ್ರಿಯೆಯನ್ನು ಒಂದೊಂದಾಗಿ ಪರೀಕ್ಷಿಸುವ ಬದಲು, ಈ ಹೊಸ ವಿಧಾನವು ಸಾವಿರಾರು ಕ್ರಿಯೆಗಳನ್ನು ಏಕಕಾಲದಲ್ಲಿ ಪರಿಗಣಿಸುತ್ತದೆ, ಬಹು-ಹಂತದ ಕುಶಲತೆಯ ಸಮಸ್ಯೆಗಳನ್ನು ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಪರಿಹರಿಸುತ್ತದೆ.

ಈ ವೇಗವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಲು ಗ್ರಾಫಿಕ್ಸ್ ಪ್ರೊಸೆಸಿಂಗ್ ಯೂನಿಟ್‌ಗಳು (ಜಿಪಿಯು) ಎಂಬ ವಿಶೇಷ ಪ್ರೊಸೆಸರ್‌ಗಳ ಬೃಹತ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಶಕ್ತಿಯನ್ನು ಸಂಶೋಧಕರು ಬಳಸಿಕೊಳ್ಳುತ್ತಾರೆ.

ಕಾರ್ಖಾನೆ ಅಥವಾ ಗೋದಾಮಿನಲ್ಲಿ, ರೋಬೋಟ್‌ಗಳು ವಿವಿಧ ಆಕಾರಗಳು ಮತ್ತು ಗಾತ್ರಗಳನ್ನು ಹೊಂದಿರುವ ವಸ್ತುಗಳನ್ನು ಹೇಗೆ ನಿಭಾಯಿಸಬೇಕು ಮತ್ತು ಬಿಗಿಯಾಗಿ ಪ್ಯಾಕ್ ಮಾಡುವುದು ಹೇಗೆ ಎಂಬುದನ್ನು ತ್ವರಿತವಾಗಿ ನಿರ್ಧರಿಸಲು ಅವಕಾಶ ಮಾಡಿಕೊಡುತ್ತವೆ, ಅವುಗಳಿಗೆ ಹಾನಿಯಾಗದಂತೆ, ಟಿಪ್ಪಿಂಗ್ ಅಥವಾ ಅಡೆತಡೆಗಳಿಗೆ ಬಡಿದುಕೊಳ್ಳುತ್ತವೆ.

“ಸಮಯವು ನಿಜವಾಗಿಯೂ ಮೂಲಭೂತವಾಗಿರುವ ಕೈಗಾರಿಕಾ ಪರಿಸರದಲ್ಲಿ ಇದು ತುಂಬಾ ಉಪಯುಕ್ತವಾಗಿದೆ ಮತ್ತು ನೀವು ಸಾಧ್ಯವಾದಷ್ಟು ಬೇಗ ಸಮರ್ಥ ಪರಿಹಾರವನ್ನು ಕಂಡುಹಿಡಿಯಬೇಕು. ನಿಮ್ಮ ಅಲ್ಗಾರಿದಮ್ ಯೋಜನೆಯನ್ನು ಹುಡುಕಲು ನಿಮಿಷಗಳನ್ನು ತೆಗೆದುಕೊಂಡರೆ, ಸೆಕೆಂಡುಗಳಿಗೆ ವಿರುದ್ಧವಾಗಿ, ಅದು ವ್ಯವಹಾರದ ಹಣವನ್ನು ಖರ್ಚು ಮಾಡುತ್ತದೆ,” MIT ಪದವಿ ವಿದ್ಯಾರ್ಥಿ ವಿಲಿಯಂ ಶೆನ್ SM ’23, ತಂತ್ರದ ಕುರಿತಾದ ಕಾಗದದ ಪ್ರಮುಖ ಲೇಖಕ ಹೇಳುತ್ತಾರೆ.

ಎನ್‌ವಿಡಿಯಾ ರಿಸರ್ಚ್‌ನಲ್ಲಿ ಹಿರಿಯ ಸಂಶೋಧಕರಾದ ಕೇಲನ್ ಗ್ಯಾರೆಟ್ ’15, ಮೆಂಗ್ ’15, ಪಿಎಚ್‌ಡಿ ’21 ಅವರು ಪತ್ರಿಕೆಯಲ್ಲಿ ಸೇರಿಕೊಂಡರು; ನಿಶಾಂತ್ ಕುಮಾರ್, ಎಂಐಟಿ ಪದವಿ ವಿದ್ಯಾರ್ಥಿ; ಅಂಕಿತ್ ಗೋಯಲ್, NVIDIA ಸಂಶೋಧಕ; ಟಕರ್ ಹರ್ಮನ್ಸ್, NVIDIA ಸಂಶೋಧಕ ಮತ್ತು ಉತಾಹ್ ವಿಶ್ವವಿದ್ಯಾಲಯದಲ್ಲಿ ಸಹಾಯಕ ಪ್ರಾಧ್ಯಾಪಕ; ಲೆಸ್ಲಿ ಪ್ಯಾಕ್ ಕೇಲ್ಬ್ಲಿಂಗ್, MIT ಯಲ್ಲಿ ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್ ಮತ್ತು ಇಂಜಿನಿಯರಿಂಗ್‌ನ ಪ್ಯಾನಾಸೋನಿಕ್ ಪ್ರೊಫೆಸರ್ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್ ಮತ್ತು ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಲ್ಯಾಬೋರೇಟರಿ (CSAIL) ಸದಸ್ಯ; Tomás Lozano-Pérez, ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನ ಮತ್ತು ಇಂಜಿನಿಯರಿಂಗ್ MIT ಪ್ರಾಧ್ಯಾಪಕ ಮತ್ತು CSAIL ಸದಸ್ಯ; ಮತ್ತು ಫ್ಯಾಬಿಯೊ ರಾಮೋಸ್, NVIDIA ನಲ್ಲಿ ಪ್ರಧಾನ ಸಂಶೋಧಕ ಮತ್ತು ಸಿಡ್ನಿ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಪ್ರಾಧ್ಯಾಪಕ. ಸಂಶೋಧನೆಯನ್ನು ರೊಬೊಟಿಕ್ಸ್: ಸೈನ್ಸ್ ಅಂಡ್ ಸಿಸ್ಟಮ್ಸ್ ಕಾನ್ಫರೆನ್ಸ್‌ನಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ.

ಸಮಾನಾಂತರ ಯೋಜನೆ

ಸಂಶೋಧಕರ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಕಾರ್ಯ ಮತ್ತು ಚಲನೆಯ ಯೋಜನೆ (TAMP) ಎಂದು ಕರೆಯುವುದಕ್ಕಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. TAMP ಅಲ್ಗಾರಿದಮ್‌ನ ಗುರಿಯು ರೋಬೋಟ್‌ಗಾಗಿ ಕಾರ್ಯ ಯೋಜನೆಯೊಂದಿಗೆ ಬರುವುದು, ಇದು ಉನ್ನತ-ಮಟ್ಟದ ಕ್ರಿಯೆಗಳ ಅನುಕ್ರಮವಾಗಿದೆ, ಜೊತೆಗೆ ಚಲನೆಯ ಯೋಜನೆಯೊಂದಿಗೆ, ಜಂಟಿ ಸ್ಥಾನಗಳು ಮತ್ತು ಹಿಡಿತದ ದೃಷ್ಟಿಕೋನದಂತಹ ಕಡಿಮೆ-ಹಂತದ ಕ್ರಿಯೆಯ ನಿಯತಾಂಕಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಅದು ಉನ್ನತ ಮಟ್ಟದ ಯೋಜನೆಗೆ ಪೂರಕವಾಗಿದೆ.

ಐಟಂಗಳನ್ನು ಪೆಟ್ಟಿಗೆಯಲ್ಲಿ ಪ್ಯಾಕ್ ಮಾಡುವ ಯೋಜನೆಯನ್ನು ರಚಿಸಲು, ರೋಬಾಟ್ ಹಲವಾರು ವೇರಿಯಬಲ್‌ಗಳ ಬಗ್ಗೆ ತರ್ಕಿಸಬೇಕು, ಉದಾಹರಣೆಗೆ ಪ್ಯಾಕ್ ಮಾಡಲಾದ ಐಟಂಗಳ ಅಂತಿಮ ದೃಷ್ಟಿಕೋನ, ಮತ್ತು ಅದು ಒಟ್ಟಿಗೆ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಅದು ಹೇಗೆ ಅವುಗಳನ್ನು ಎತ್ತಿಕೊಂಡು ತನ್ನ ತೋಳು ಮತ್ತು ಹಿಡಿತವನ್ನು ಬಳಸಿ ನಿರ್ವಹಿಸುತ್ತದೆ.

ಘರ್ಷಣೆಯನ್ನು ತಪ್ಪಿಸುವುದು ಮತ್ತು ವಸ್ತುಗಳನ್ನು ಪ್ಯಾಕ್ ಮಾಡುವ ನಿರ್ದಿಷ್ಟ ಕ್ರಮದಂತಹ ಯಾವುದೇ ಬಳಕೆದಾರ-ನಿರ್ದಿಷ್ಟ ನಿರ್ಬಂಧಗಳನ್ನು ಹೇಗೆ ಪೂರೈಸುವುದು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವಾಗ ಇದನ್ನು ಮಾಡಬೇಕು.

ಕ್ರಿಯೆಗಳ ಹಲವಾರು ಸಂಭಾವ್ಯ ಅನುಕ್ರಮಗಳೊಂದಿಗೆ, ಸಂಭವನೀಯ ಪರಿಹಾರಗಳನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಮಾದರಿ ಮಾಡುವುದು ಮತ್ತು ಅವುಗಳನ್ನು ಒಂದೊಂದಾಗಿ ಪ್ರಯತ್ನಿಸಲು ಬಹಳ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳಬಹುದು.

“ಇದು ಬಹಳ ದೊಡ್ಡ ಹುಡುಕಾಟ ಸ್ಥಳವಾಗಿದೆ, ಮತ್ತು ಆ ಜಾಗದಲ್ಲಿ ರೋಬೋಟ್ ಮಾಡುವ ಬಹಳಷ್ಟು ಕ್ರಿಯೆಗಳು ಉತ್ಪಾದಕವಾಗಿ ಏನನ್ನೂ ಸಾಧಿಸುವುದಿಲ್ಲ” ಎಂದು ಗ್ಯಾರೆಟ್ ಹೇಳುತ್ತಾರೆ.

ಬದಲಾಗಿ, CUDA ಎಂಬ ಸಮಾನಾಂತರ ಕಂಪ್ಯೂಟಿಂಗ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ವೇಗವರ್ಧಿತವಾದ cuTAMP ಎಂದು ಕರೆಯಲ್ಪಡುವ ಸಂಶೋಧಕರ ಅಲ್ಗಾರಿದಮ್, ಸಮಾನಾಂತರವಾಗಿ ಸಾವಿರಾರು ಪರಿಹಾರಗಳನ್ನು ಅನುಕರಿಸುತ್ತದೆ ಮತ್ತು ಪರಿಷ್ಕರಿಸುತ್ತದೆ. ಇದು ಮಾದರಿ ಮತ್ತು ಆಪ್ಟಿಮೈಸೇಶನ್ ಎಂಬ ಎರಡು ತಂತ್ರಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಇದನ್ನು ಮಾಡುತ್ತದೆ.

ಮಾದರಿಯು ಪ್ರಯತ್ನಿಸಲು ಪರಿಹಾರವನ್ನು ಆರಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಆದರೆ ಯಾದೃಚ್ಛಿಕವಾಗಿ ಮಾದರಿ ಪರಿಹಾರಗಳಿಗಿಂತ, cuTAMP ಸಂಭಾವ್ಯ ಪರಿಹಾರಗಳ ವ್ಯಾಪ್ತಿಯನ್ನು ಸಮಸ್ಯೆಯ ನಿರ್ಬಂಧಗಳನ್ನು ಪೂರೈಸುವ ಸಾಧ್ಯತೆಯನ್ನು ಮಿತಿಗೊಳಿಸುತ್ತದೆ. ಈ ಮಾರ್ಪಡಿಸಿದ ಮಾದರಿ ಪ್ರಕ್ರಿಯೆಯು cuTAMP ಗೆ ಮಾದರಿ ಸ್ಥಳವನ್ನು ಕಿರಿದಾಗಿಸುವಾಗ ಸಂಭಾವ್ಯ ಪರಿಹಾರಗಳನ್ನು ವ್ಯಾಪಕವಾಗಿ ಅನ್ವೇಷಿಸಲು ಅನುಮತಿಸುತ್ತದೆ.

“ಒಮ್ಮೆ ನಾವು ಈ ಮಾದರಿಗಳ ಫಲಿತಾಂಶಗಳನ್ನು ಸಂಯೋಜಿಸಿದರೆ, ನಾವು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಸ್ಯಾಂಪಲ್ ಮಾಡುವುದಕ್ಕಿಂತ ಉತ್ತಮವಾದ ಆರಂಭಿಕ ಹಂತವನ್ನು ಪಡೆಯುತ್ತೇವೆ. ಆಪ್ಟಿಮೈಸೇಶನ್ ಸಮಯದಲ್ಲಿ ನಾವು ಪರಿಹಾರಗಳನ್ನು ವೇಗವಾಗಿ ಕಂಡುಹಿಡಿಯಬಹುದು ಎಂದು ಇದು ಖಚಿತಪಡಿಸುತ್ತದೆ” ಎಂದು ಶೆನ್ ಹೇಳುತ್ತಾರೆ.

ಒಮ್ಮೆ cuTAMP ಮಾದರಿಗಳ ಸೆಟ್ ಅನ್ನು ರಚಿಸಿದ ನಂತರ, ಪ್ರತಿ ಮಾದರಿಯು ಘರ್ಷಣೆಯನ್ನು ತಪ್ಪಿಸುತ್ತದೆ ಮತ್ತು ರೋಬೋಟ್‌ನ ಚಲನೆಯ ನಿರ್ಬಂಧಗಳನ್ನು ಮತ್ತು ಯಾವುದೇ ಬಳಕೆದಾರ-ವ್ಯಾಖ್ಯಾನಿತ ಗುರಿಗಳನ್ನು ಎಷ್ಟು ಚೆನ್ನಾಗಿ ಪೂರೈಸುತ್ತದೆ ಎಂಬುದಕ್ಕೆ ಅನುಗುಣವಾದ ವೆಚ್ಚವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಸಮಾನಾಂತರ ಆಪ್ಟಿಮೈಸೇಶನ್ ಕಾರ್ಯವಿಧಾನವನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ.

ಇದು ಮಾದರಿಗಳನ್ನು ಸಮಾನಾಂತರವಾಗಿ ನವೀಕರಿಸುತ್ತದೆ, ಉತ್ತಮ ಅಭ್ಯರ್ಥಿಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಅವುಗಳನ್ನು ಯಶಸ್ವಿ ಪರಿಹಾರಕ್ಕೆ ಸಂಕುಚಿತಗೊಳಿಸುವವರೆಗೆ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪುನರಾವರ್ತಿಸುತ್ತದೆ.

ವೇಗವರ್ಧಿತ ಕಂಪ್ಯೂಟಿಂಗ್‌ನಲ್ಲಿ ಬಂಡವಾಳೀಕರಣ

ಸಂಶೋಧಕರು GPU ಗಳನ್ನು ಬಳಸುತ್ತಾರೆ, ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ ಪ್ರೊಸೆಸರ್‌ಗಳಿಗಿಂತ ಸಮಾನಾಂತರ ಗಣನೆಗಳು ಮತ್ತು ಕೆಲಸದ ಹೊರೆಗಳಿಗೆ ಹೆಚ್ಚು ಶಕ್ತಿಯುತವಾದ ವಿಶೇಷ ಪ್ರೊಸೆಸರ್‌ಗಳು, ಅವರು ಮಾದರಿ ಮತ್ತು ಏಕಕಾಲದಲ್ಲಿ ಅತ್ಯುತ್ತಮವಾಗಿಸಬಹುದಾದ ಪರಿಹಾರಗಳ ಸಂಖ್ಯೆಯನ್ನು ಹೆಚ್ಚಿಸಲು. ಇದು ಅವರ ಅಲ್ಗಾರಿದಮ್‌ನ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಗರಿಷ್ಠಗೊಳಿಸಿತು.

“ಜಿಪಿಯುಗಳನ್ನು ಬಳಸುವುದರಿಂದ, ಒಂದು ಪರಿಹಾರವನ್ನು ಉತ್ತಮಗೊಳಿಸುವ ಕಂಪ್ಯೂಟೇಶನಲ್ ವೆಚ್ಚವು ನೂರಾರು ಅಥವಾ ಸಾವಿರಾರು ಪರಿಹಾರಗಳನ್ನು ಉತ್ತಮಗೊಳಿಸುವಂತೆಯೇ ಇರುತ್ತದೆ” ಎಂದು ಶೆನ್ ವಿವರಿಸುತ್ತಾರೆ.

ಸಿಮ್ಯುಲೇಶನ್‌ನಲ್ಲಿ ಟೆಟ್ರಿಸ್ ತರಹದ ಪ್ಯಾಕಿಂಗ್ ಸವಾಲುಗಳ ಕುರಿತು ಅವರು ತಮ್ಮ ವಿಧಾನವನ್ನು ಪರೀಕ್ಷಿಸಿದಾಗ, ಯಶಸ್ವಿ, ಘರ್ಷಣೆ-ಮುಕ್ತ ಯೋಜನೆಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು cuTAMP ಗೆ ಕೆಲವೇ ಸೆಕೆಂಡುಗಳ ಅಗತ್ಯವಿದೆ, ಇದು ಅನುಕ್ರಮ ಯೋಜನಾ ವಿಧಾನಗಳನ್ನು ಪರಿಹರಿಸಲು ಹೆಚ್ಚು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳಬಹುದು.

ಮತ್ತು ನಿಜವಾದ ರೊಬೊಟಿಕ್ ತೋಳಿನಲ್ಲಿ ಸ್ಥಾಪಿಸಿದಾಗ, ಅಲ್ಗಾರಿದಮ್ ಯಾವಾಗಲೂ 30 ಸೆಕೆಂಡುಗಳಿಗಿಂತ ಕಡಿಮೆ ಅವಧಿಯಲ್ಲಿ ಪರಿಹಾರವನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತದೆ.

ಈ ವ್ಯವಸ್ಥೆಯು ರೋಬೋಟ್‌ಗಳಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು MIT ಯಲ್ಲಿ ರೋಬೋಟಿಕ್ ತೋಳಿನಲ್ಲಿ ಮತ್ತು NVIDIA ನಲ್ಲಿ ಹುಮನಾಯ್ಡ್ ರೋಬೋಟ್‌ನಲ್ಲಿ ಪರೀಕ್ಷಿಸಲಾಗಿದೆ. cuTAMP ಯಂತ್ರ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ ಅಲ್ಲದ ಕಾರಣ, ಇದಕ್ಕೆ ತರಬೇತಿ ಡೇಟಾದ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ, ಇದು ಅನೇಕ ಸಂದರ್ಭಗಳಲ್ಲಿ ಅದನ್ನು ಸುಲಭವಾಗಿ ಕಾರ್ಯಗತಗೊಳಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.

“ನೀವು ಅವನಿಗೆ ಹೊಸ ಸಮಸ್ಯೆಯನ್ನು ನೀಡಬಹುದು ಮತ್ತು ಅದನ್ನು ಪರಿಹರಿಸಲು ಅವನು ಹೊರಹೊಮ್ಮುತ್ತಾನೆ” ಎಂದು ಗ್ಯಾರೆಟ್ ಹೇಳುತ್ತಾರೆ.

ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಪ್ಯಾಕೇಜಿಂಗ್‌ಗೆ ಮೀರಿದ ಸಂದರ್ಭಗಳಲ್ಲಿ ಸಾಮಾನ್ಯೀಕರಿಸಬಹುದಾಗಿದೆ, ಉದಾಹರಣೆಗೆ ಉಪಕರಣವನ್ನು ಬಳಸುವ ರೋಬೋಟ್. ರೋಬೋಟ್‌ನ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ವಿಸ್ತರಿಸಲು ಬಳಕೆದಾರರು ವಿಭಿನ್ನ ರೀತಿಯ ಕೌಶಲ್ಯಗಳನ್ನು ಸಿಸ್ಟಮ್‌ನಲ್ಲಿ ಅಳವಡಿಸಿಕೊಳ್ಳಬಹುದು.

ಭವಿಷ್ಯದಲ್ಲಿ, ಸಂಶೋಧಕರು cuTAMP ಒಳಗೆ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು ಮತ್ತು ದೃಷ್ಟಿ ಭಾಷಾ ಮಾದರಿಗಳನ್ನು ಬಳಸಲು ಬಯಸುತ್ತಾರೆ, ಬಳಕೆದಾರರಿಂದ ಧ್ವನಿ ಆಜ್ಞೆಗಳ ಆಧಾರದ ಮೇಲೆ ನಿರ್ದಿಷ್ಟ ಗುರಿಗಳನ್ನು ಸಾಧಿಸುವ ಯೋಜನೆಯನ್ನು ರೂಪಿಸಲು ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸಲು ರೋಬೋಟ್‌ಗೆ ಅವಕಾಶ ನೀಡುತ್ತದೆ.

ಈ ಕೆಲಸವನ್ನು ನ್ಯಾಷನಲ್ ಸೈನ್ಸ್ ಫೌಂಡೇಶನ್ (NSF), ಏರ್ ಫೋರ್ಸ್ ಆಫೀಸ್ ಆಫ್ ಸೈಂಟಿಫಿಕ್ ರಿಸರ್ಚ್, ಆಫೀಸ್ ಆಫ್ ನೇವಲ್ ರಿಸರ್ಚ್, MIT ಕ್ವೆಸ್ಟ್ ಫಾರ್ ಇಂಟೆಲಿಜೆನ್ಸ್, NVIDIA, ಮತ್ತು ಇನ್‌ಸ್ಟಿಟ್ಯೂಟ್ ಫಾರ್ ರೊಬೊಟಿಕ್ಸ್ ಮತ್ತು ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಬೆಂಬಲಿಸುತ್ತದೆ.