ಸಿಮ್ಯುಲೇಶನ್ ಆಧಾರಿತ ಪೈಪ್‌ಲೈನ್ ನುರಿತ ರೋಬೋಟ್‌ಗಳಿಗೆ ತರಬೇತಿ ಡೇಟಾವನ್ನು ಅಳವಡಿಸುತ್ತದೆ

ಚಾಟ್‌ಜಿಪಿಟಿ ಅಥವಾ ಜೆಮಿನಿ ನಿಮ್ಮ ಸುಡುವ ಪ್ರಶ್ನೆಗಳಿಗೆ ಪರಿಣಿತ ಉತ್ತರವನ್ನು ಒದಗಿಸಿದಾಗ, ಆ ಉತ್ತರವನ್ನು ಒದಗಿಸಲು ಎಷ್ಟು ಮಾಹಿತಿಯನ್ನು ಅವಲಂಬಿಸಿದೆ ಎಂದು ನಿಮಗೆ ತಿಳಿದಿರುವುದಿಲ್ಲ. ಇತರ ಜನಪ್ರಿಯ ಉತ್ಪಾದಕ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಮಾದರಿಗಳಂತೆ, ಈ ಚಾಟ್‌ಬಾಟ್‌ಗಳು ಶತಕೋಟಿ ಅಥವಾ ಟ್ರಿಲಿಯನ್‌ಗಟ್ಟಲೆ ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳಿಗೆ ತರಬೇತಿ ನೀಡುವ ಆಧಾರವಾಗಿರುವ ಮಾದರಿಗಳೆಂದು ಕರೆಯಲ್ಪಡುವ ಆಧಾರವಾಗಿರುವ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಆಧರಿಸಿವೆ.

ಅದೇ ರೀತಿ, ಮನೆಗಳು ಮತ್ತು ಕಾರ್ಖಾನೆಗಳಂತಹ ಸ್ಥಳಗಳಲ್ಲಿ ವಸ್ತುಗಳನ್ನು ಎತ್ತಿಕೊಳ್ಳುವುದು, ಚಲಿಸುವುದು ಮತ್ತು ಠೇವಣಿ ಇಡುವಂತಹ ಹೊಸ ಕೌಶಲ್ಯಗಳ ಕುರಿತು ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ರೋಬೋಟ್‌ಗಳಿಗೆ ತರಬೇತಿ ನೀಡುವ ಅಡಿಪಾಯ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ಎಂಜಿನಿಯರ್‌ಗಳು ಆಶಿಸಿದ್ದಾರೆ. ಸಮಸ್ಯೆಯೆಂದರೆ ತರಬೇತಿ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವುದು ಮತ್ತು ರೊಬೊಟಿಕ್ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ವರ್ಗಾಯಿಸುವುದು ಕಷ್ಟ. ವರ್ಚುವಲ್ ರಿಯಾಲಿಟಿ (VR) ನಂತಹ ತಂತ್ರಜ್ಞಾನವನ್ನು ಬಳಸಿಕೊಂಡು ಹಂತ ಹಂತವಾಗಿ ಹಾರ್ಡ್‌ವೇರ್ ಅನ್ನು ಟೆಲಿ ಆಪರೇಟಿಂಗ್ ಮಾಡುವ ಮೂಲಕ ನಿಮ್ಮ ಸಿಸ್ಟಮ್ ಅನ್ನು ನೀವು ಕಲಿಸಬಹುದು, ಆದರೆ ಇದು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಇಂಟರ್ನೆಟ್ ವೀಡಿಯೊ ತರಬೇತಿಯು ಕಡಿಮೆ ಬೋಧಪ್ರದವಾಗಿದೆ ಏಕೆಂದರೆ ಕ್ಲಿಪ್‌ಗಳು ನಿರ್ದಿಷ್ಟ ರೋಬೋಟ್‌ಗಳಿಗೆ ವಿಶೇಷ ಕಾರ್ಯಗಳ ಹಂತ-ಹಂತದ ದರ್ಶನವನ್ನು ಒದಗಿಸುವುದಿಲ್ಲ.

MITಯ ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್ ಮತ್ತು ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಲ್ಯಾಬೋರೇಟರಿ (CSAIL) ಮತ್ತು ಇನ್‌ಸ್ಟಿಟ್ಯೂಟ್ ಫಾರ್ ರೊಬೊಟಿಕ್ಸ್ ಮತ್ತು ಆರ್ಟಿಫಿಶಿಯಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್‌ನಿಂದ “ಫಿಸಿಕ್ಸ್‌ಜೆನ್” ಎಂಬ ಸಿಮ್ಯುಲೇಶನ್-ಆಧಾರಿತ ವಿಧಾನವು ರೋಬೋಟ್‌ಗಳು ಕಾರ್ಯಕ್ಕಾಗಿ ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಚಲನೆಯನ್ನು ಕಂಡುಹಿಡಿಯಲು ರೋಬೋಟ್ ತರಬೇತಿ ಡೇಟಾವನ್ನು ಕಸ್ಟಮೈಸ್ ಮಾಡುತ್ತದೆ. ಸಿಸ್ಟಮ್ ಕೆಲವು ಡಜನ್ VR ಡೆಮೊಗಳನ್ನು ಪ್ರತಿ ಯಂತ್ರಕ್ಕೆ ಸುಮಾರು 3,000 ಸಿಮ್ಯುಲೇಶನ್‌ಗಳಾಗಿ ಗುಣಿಸಬಹುದು. ಈ ಉನ್ನತ-ಗುಣಮಟ್ಟದ ಸೂಚನೆಗಳನ್ನು ನಂತರ ಯಾಂತ್ರಿಕ ಒಡನಾಡಿಗಳಾದ ರೋಬೋಟಿಕ್ ತೋಳುಗಳು ಮತ್ತು ಕೈಗಳ ನಿಖರವಾದ ಕಾನ್ಫಿಗರೇಶನ್‌ಗಳಿಗೆ ಮ್ಯಾಪ್ ಮಾಡಲಾಗುತ್ತದೆ.

PhysicsGen ಮೂರು-ಹಂತದ ಪ್ರಕ್ರಿಯೆಯ ಮೂಲಕ ನಿರ್ದಿಷ್ಟ ರೋಬೋಟ್‌ಗಳು ಮತ್ತು ಷರತ್ತುಗಳಿಗೆ ಸಾಮಾನ್ಯೀಕರಿಸುವ ಡೇಟಾವನ್ನು ರಚಿಸುತ್ತದೆ. ಮೊದಲನೆಯದಾಗಿ, ಜನರು ತಮ್ಮ ಕೈಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಬ್ಲಾಕ್‌ಗಳಂತಹ ವಸ್ತುಗಳನ್ನು ಹೇಗೆ ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸುತ್ತಾರೆ ಎಂಬುದನ್ನು VR ಹೆಡ್‌ಸೆಟ್ ಟ್ರ್ಯಾಕ್ ಮಾಡುತ್ತದೆ. ಈ ಸಂವಹನಗಳನ್ನು ಅದೇ ಸಮಯದಲ್ಲಿ 3D ಭೌತಶಾಸ್ತ್ರ ಸಿಮ್ಯುಲೇಟರ್‌ನಲ್ಲಿ ಮ್ಯಾಪ್ ಮಾಡಲಾಗುತ್ತದೆ, ನಮ್ಮ ಕೈಗಳ ಪ್ರಮುಖ ಬಿಂದುಗಳನ್ನು ನಮ್ಮ ಸನ್ನೆಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುವ ಸಣ್ಣ ಗೋಳಗಳಾಗಿ ದೃಶ್ಯೀಕರಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ನೀವು ಆಟಿಕೆಯನ್ನು ತಿರುಗಿಸಿದರೆ, ನಿಮ್ಮ ಕೈಗಳ ವಿವಿಧ ಭಾಗಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವ 3D ಆಕಾರಗಳು ಆ ವಸ್ತುವಿನ ವರ್ಚುವಲ್ ಆವೃತ್ತಿಯನ್ನು ತಿರುಗಿಸುವುದನ್ನು ನೀವು ನೋಡುತ್ತೀರಿ.

ಪೈಪ್‌ಲೈನ್ ನಂತರ ಈ ಬಿಂದುಗಳನ್ನು ನಿರ್ದಿಷ್ಟ ಯಂತ್ರದ ಸಂರಚನೆಯ 3D ಮಾದರಿಗೆ ಮರುರೂಪಿಸುತ್ತದೆ (ಉದಾಹರಣೆಗೆ ರೋಬೋಟ್ ಆರ್ಮ್), ಅವುಗಳನ್ನು ಸಿಸ್ಟಮ್ ತಿರುಚಿದ ಮತ್ತು ತಿರುಗುವ ನಿಖರವಾದ “ಜಾಯಿಂಟ್‌ಗಳಿಗೆ” ಚಲಿಸುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, ಫಿಸಿಕ್ಸ್‌ಜೆನ್ ಪಥದ ಆಪ್ಟಿಮೈಸೇಶನ್ ಅನ್ನು ಬಳಸುತ್ತದೆ-ಮೂಲಭೂತವಾಗಿ ಕಾರ್ಯವನ್ನು ಪೂರ್ಣಗೊಳಿಸಲು ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ಚಲನೆಯನ್ನು ಅನುಕರಿಸುತ್ತದೆ-ಇದರಿಂದಾಗಿ ಪೆಟ್ಟಿಗೆಯನ್ನು ಮರುಸ್ಥಾಪಿಸುವಂತಹ ಕೆಲಸಗಳನ್ನು ಮಾಡಲು ರೋಬೋಟ್ ಉತ್ತಮ ಮಾರ್ಗಗಳನ್ನು ತಿಳಿದಿರುತ್ತದೆ.

ಪ್ರತಿಯೊಂದು ಸಿಮ್ಯುಲೇಶನ್ ವಿವರವಾದ ತರಬೇತಿ ಡೇಟಾ ಪಾಯಿಂಟ್ ಆಗಿದ್ದು ಅದು ರೋಬೋಟ್‌ಗೆ ವಸ್ತುಗಳನ್ನು ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸುವ ಸಂಭಾವ್ಯ ಮಾರ್ಗಗಳ ಮೂಲಕ ಮಾರ್ಗದರ್ಶನ ನೀಡುತ್ತದೆ. ನೀತಿಯಲ್ಲಿ (ಅಥವಾ ರೋಬೋಟ್ ಅನುಸರಿಸುವ ಕ್ರಿಯಾ ಯೋಜನೆ) ಕಾರ್ಯಗತಗೊಳಿಸಿದಾಗ, ಯಂತ್ರವು ಕಾರ್ಯವನ್ನು ಸಮೀಪಿಸಲು ವಿವಿಧ ಮಾರ್ಗಗಳನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಒಂದು ಕೆಲಸ ಮಾಡದಿದ್ದರೆ ವಿಭಿನ್ನ ಚಲನೆಗಳನ್ನು ಪ್ರಯತ್ನಿಸಬಹುದು.

“ಪ್ರತಿ ಯಂತ್ರಕ್ಕೆ ವಿಶೇಷ ಪ್ರದರ್ಶನಗಳನ್ನು ಮರು-ರೆಕಾರ್ಡ್ ಮಾಡಲು ಮನುಷ್ಯರ ಅಗತ್ಯವಿಲ್ಲದೇ ನಾವು ರೋಬೋಟ್-ನಿರ್ದಿಷ್ಟ ಡೇಟಾವನ್ನು ರಚಿಸುತ್ತಿದ್ದೇವೆ” ಎಂದು MIT ಎಲೆಕ್ಟ್ರಿಕಲ್ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ಎಂಜಿನಿಯರಿಂಗ್ ಪಿಎಚ್‌ಡಿ ವಿದ್ಯಾರ್ಥಿ ಮತ್ತು CSAIL ಅಂಗಸಂಸ್ಥೆ ಲುಜಿ ಯಾಂಗ್ ಹೇಳುತ್ತಾರೆ, ಅವರು ಯೋಜನೆಯ ರೂಪರೇಖೆಯನ್ನು ಹೊಸ ಕಾಗದದ ಪ್ರಮುಖ ಲೇಖಕರಾಗಿದ್ದಾರೆ. “ನಾವು ಸ್ವಾಯತ್ತ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ ರೀತಿಯಲ್ಲಿ ಡೇಟಾವನ್ನು ಅಳೆಯುತ್ತೇವೆ, ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಯಂತ್ರಗಳಿಗೆ ಚಟುವಟಿಕೆ ಸೂಚನೆಗಳನ್ನು ಉಪಯುಕ್ತವಾಗಿಸುತ್ತದೆ.”

ರೋಬೋಟ್‌ಗಳಿಗೆ ಹಲವು ತರಬೇತಿ ಪಥಗಳನ್ನು ರಚಿಸುವುದು ಅಂತಿಮವಾಗಿ ಇಂಜಿನಿಯರ್‌ಗಳಿಗೆ ರೋಬೋಟಿಕ್ ತೋಳುಗಳು ಮತ್ತು ಕೌಶಲ್ಯದ ಕೈಗಳಂತಹ ಯಂತ್ರಗಳಿಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡಲು ಬೃಹತ್ ಡೇಟಾಸೆಟ್ ಅನ್ನು ನಿರ್ಮಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಗೋದಾಮಿನಿಂದ ವಸ್ತುಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಮತ್ತು ವಿತರಣೆಗಾಗಿ ಅವುಗಳನ್ನು ಸರಿಯಾದ ಪೆಟ್ಟಿಗೆಗಳಲ್ಲಿ ಇರಿಸಲು ಪೈಪ್‌ಲೈನ್ ಎರಡು ರೊಬೊಟಿಕ್ ತೋಳುಗಳು ಒಟ್ಟಿಗೆ ಕೆಲಸ ಮಾಡಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಗ್ಲಾಸ್‌ಗಳನ್ನು ಹೊಂದಿಸುವಂತಹ ಕಾರ್ಯಗಳಲ್ಲಿ ಮನೆಯಲ್ಲಿ ಎರಡು ರೋಬೋಟ್‌ಗಳು ಒಟ್ಟಿಗೆ ಕೆಲಸ ಮಾಡಲು ಸಿಸ್ಟಮ್ ಮಾರ್ಗದರ್ಶನ ನೀಡುತ್ತದೆ.

PhysicsGen ನ ಸಾಮರ್ಥ್ಯವು ಹಳೆಯ ರೋಬೋಟ್‌ಗಳು ಅಥವಾ ವಿಭಿನ್ನ ಪರಿಸರಗಳಿಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಿದ ಡೇಟಾವನ್ನು ಹೊಸ ಯಂತ್ರಗಳಿಗೆ ಉಪಯುಕ್ತ ಸೂಚನೆಗಳಾಗಿ ಪರಿವರ್ತಿಸಲು ವಿಸ್ತರಿಸುತ್ತದೆ. “ನಿರ್ದಿಷ್ಟ ರೀತಿಯ ರೋಬೋಟ್‌ಗಾಗಿ ಸಂಗ್ರಹಿಸಲಾಗಿದ್ದರೂ, ಈ ಹಿಂದಿನ ಡೇಟಾ ಸೆಟ್‌ಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಹೆಚ್ಚು ಉಪಯುಕ್ತವಾಗುವಂತೆ ನಾವು ಪುನರುಜ್ಜೀವನಗೊಳಿಸಬಹುದು” ಎಂದು ಯಾಂಗ್ ಸೇರಿಸುತ್ತಾರೆ.

ಗುಣಾಕಾರದಿಂದ ಸೇರ್ಪಡೆ

PhysicsGen ಕೇವಲ 24 ಮಾನವ ಪ್ರಾತ್ಯಕ್ಷಿಕೆಗಳನ್ನು ಸಾವಿರಾರು ಸಿಮ್ಯುಲೇಶನ್‌ಗಳಾಗಿ ಪರಿವರ್ತಿಸಿತು, ಡಿಜಿಟಲ್ ಮತ್ತು ನೈಜ-ಪ್ರಪಂಚದ ರೋಬೋಟ್‌ಗಳು ವಸ್ತುಗಳನ್ನು ಮರುಹೊಂದಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಯಾಂಗ್ ಮತ್ತು ಅವಳ ಸಹೋದ್ಯೋಗಿಗಳು ಮೊದಲು ತಮ್ಮ ಪೈಪ್‌ಲೈನ್ ಅನ್ನು ವರ್ಚುವಲ್ ಪ್ರಯೋಗದಲ್ಲಿ ಪರೀಕ್ಷಿಸಿದರು, ಇದರಲ್ಲಿ ತೇಲುವ ರೊಬೊಟಿಕ್ ಕೈ ಒಂದು ಬ್ಲಾಕ್ ಅನ್ನು ಗುರಿಯ ಸ್ಥಾನಕ್ಕೆ ತಿರುಗಿಸಬೇಕಾಗಿತ್ತು. ಡಿಜಿಟಲ್ ರೋಬೋಟ್ ಬೃಹತ್ ಫಿಸಿಕ್‌ಜೆನ್ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ತರಬೇತಿ ನೀಡುವ ಮೂಲಕ 81% ನಿಖರತೆಯೊಂದಿಗೆ ಕಾರ್ಯವನ್ನು ನಿರ್ವಹಿಸಿತು, ಇದು ಮಾನವ ಪ್ರದರ್ಶನಗಳಿಂದ ಮಾತ್ರ ಕಲಿತ ಬೇಸ್‌ಲೈನ್‌ಗಿಂತ 60% ಸುಧಾರಣೆಯಾಗಿದೆ.

ಫಿಸಿಕ್ಸ್‌ಜೆನ್ ವಸ್ತುಗಳನ್ನು ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸಲು ವರ್ಚುವಲ್ ರೊಬೊಟಿಕ್ ತೋಳುಗಳು ಒಟ್ಟಿಗೆ ಕೆಲಸ ಮಾಡುವ ವಿಧಾನವನ್ನು ಸುಧಾರಿಸಬಹುದು ಎಂದು ಸಂಶೋಧಕರು ಕಂಡುಕೊಂಡಿದ್ದಾರೆ. ಅವರ ವ್ಯವಸ್ಥೆಯು ಹೆಚ್ಚುವರಿ ತರಬೇತಿ ಡೇಟಾವನ್ನು ರಚಿಸಿದ್ದು, ಎರಡು ಜೋಡಿ ರೋಬೋಟ್‌ಗಳು ಸಂಪೂರ್ಣವಾಗಿ ಮಾನವ-ಕಲಿಸಿದ ಬೇಸ್‌ಲೈನ್‌ಗಿಂತ ಹೆಚ್ಚಾಗಿ 30 ಪ್ರತಿಶತದಷ್ಟು ಕಾರ್ಯಗಳನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಪೂರ್ಣಗೊಳಿಸಲು ಸಹಾಯ ಮಾಡಿತು.

ಒಂದು ಜೋಡಿ ನೈಜ-ಪ್ರಪಂಚದ ರೋಬೋಟಿಕ್ ತೋಳುಗಳ ಪ್ರಯೋಗದಲ್ಲಿ, ದೊಡ್ಡ ಪೆಟ್ಟಿಗೆಯನ್ನು ಅದರ ಗೊತ್ತುಪಡಿಸಿದ ಸ್ಥಾನಕ್ಕೆ ತಿರುಗಿಸಲು ಯಂತ್ರಗಳು ಜೊತೆಗೂಡಿದಂತೆಯೇ ಸಂಶೋಧಕರು ಇದೇ ರೀತಿಯ ಸುಧಾರಣೆಗಳನ್ನು ಕಂಡರು. ರೋಬೋಟ್‌ಗಳು ಉದ್ದೇಶಿತ ಪಥದಿಂದ ವಿಚಲನಗೊಂಡಾಗ ಅಥವಾ ವಸ್ತುವನ್ನು ತಪ್ಪಾಗಿ ನಿರ್ವಹಿಸಿದಾಗ, ಅವರು ತಮ್ಮ ಲೈಬ್ರರಿ ಆಫ್ ಇನ್‌ಸ್ಟ್ರಕ್ಷನ್ ಡೇಟಾದಲ್ಲಿ ಪರ್ಯಾಯ ಪಥಗಳನ್ನು ಉಲ್ಲೇಖಿಸುವ ಮೂಲಕ ತಮ್ಮ ಕೆಲಸವನ್ನು ಮಧ್ಯ-ಕಾರ್ಯವನ್ನು ಮರುಪಡೆಯಲು ಸಾಧ್ಯವಾಯಿತು.

ಎಂಐಟಿಯಲ್ಲಿ ಎಲೆಕ್ಟ್ರಿಕಲ್ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ಎಂಜಿನಿಯರಿಂಗ್, ಏರೋನಾಟಿಕ್ಸ್ ಮತ್ತು ಆಸ್ಟ್ರೋನಾಟಿಕ್ಸ್ ಮತ್ತು ಮೆಕ್ಯಾನಿಕಲ್ ಇಂಜಿನಿಯರಿಂಗ್‌ನ ಟೊಯೋಟಾ ಪ್ರೊಫೆಸರ್ ಆಗಿರುವ ಪ್ರಮುಖ ಲೇಖಕ ರಸ್ ಟೆಡ್ರೇಕ್, ಈ ಅನುಕರಣೆ-ಮಾರ್ಗದರ್ಶನದ ದತ್ತಾಂಶ ಉತ್ಪಾದನೆಯ ತಂತ್ರವು ರೋಬೋಟ್ ಚಲನೆಯ ಯೋಜನಾ ಕ್ರಮಾವಳಿಗಳ ಶಕ್ತಿಯೊಂದಿಗೆ ಮಾನವ ಪ್ರದರ್ಶನದ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ ಎಂದು ಸೇರಿಸುತ್ತದೆ.

ಟೊಯೊಟಾ ರಿಸರ್ಚ್ ಇನ್‌ಸ್ಟಿಟ್ಯೂಟ್ ಮತ್ತು CSAIL ಪ್ರಧಾನ ತನಿಖಾಧಿಕಾರಿಯಲ್ಲಿ ದೊಡ್ಡ ನಡವಳಿಕೆಯ ಮಾದರಿಗಳಿಗೆ ಹಿರಿಯ ಉಪಾಧ್ಯಕ್ಷರೂ ಆಗಿರುವ ಟೆಡ್ರೇಕ್ ಹೇಳುತ್ತಾರೆ, “ಮಾನವರಿಂದ ಒಂದೇ ಒಂದು ಪ್ರದರ್ಶನವು ಚಲನೆಯ ಯೋಜನೆ ಸಮಸ್ಯೆಯನ್ನು ಹೆಚ್ಚು ಸುಲಭಗೊಳಿಸುತ್ತದೆ”. “ಭವಿಷ್ಯದಲ್ಲಿ, ಆಧಾರವಾಗಿರುವ ಮಾದರಿಗಳು ಆ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ, ಮತ್ತು ಈ ರೀತಿಯ ಡೇಟಾ ಉತ್ಪಾದನೆಯ ತಂತ್ರವು ಆ ಮಾದರಿಗೆ ಒಂದು ರೀತಿಯ ನಂತರದ ತರಬೇತಿ ಪಾಕವಿಧಾನವನ್ನು ಒದಗಿಸುತ್ತದೆ.”

ಭವಿಷ್ಯದ ಭೌತಶಾಸ್ತ್ರ Gen

ಶೀಘ್ರದಲ್ಲೇ, PhysicsGen ಅನ್ನು ಹೊಸ ಗಡಿರೇಖೆಗೆ ವಿಸ್ತರಿಸಬಹುದು: ಯಂತ್ರವು ನಿರ್ವಹಿಸಬಹುದಾದ ಕಾರ್ಯಗಳನ್ನು ವೈವಿಧ್ಯಗೊಳಿಸುವುದು.

“ಉದಾಹರಣೆಗೆ ಭಕ್ಷ್ಯಗಳನ್ನು ಹಾಕಲು ತರಬೇತಿ ಪಡೆದಾಗ ನೀರನ್ನು ಸುರಿಯಲು ರೋಬೋಟ್ ಅನ್ನು ಕಲಿಸಲು ನಾವು ಭೌತಶಾಸ್ತ್ರವನ್ನು ಬಳಸಲು ಬಯಸುತ್ತೇವೆ,” ಯಾಂಗ್ ಹೇಳುತ್ತಾರೆ. “ನಮ್ಮ ಪೈಪ್‌ಲೈನ್ ಪರಿಚಿತ ಕಾರ್ಯಗಳಿಗಾಗಿ ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ಕಾರ್ಯಸಾಧ್ಯವಾದ ಚಲನೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಆದರೆ ಮಾನವನು ಪ್ರದರ್ಶಿಸದ ಸಂಪೂರ್ಣ ಹೊಸ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ಸ್ ಆಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ನಾವು ನಂಬುವ ಭೌತಿಕ ಸಂವಹನಗಳ ವೈವಿಧ್ಯಮಯ ಗ್ರಂಥಾಲಯವನ್ನು ರಚಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ.”

ವ್ಯಾಪಕವಾಗಿ ಅನ್ವಯವಾಗುವ ಸಾಕಷ್ಟು ತರಬೇತಿ ಡೇಟಾವನ್ನು ರಚಿಸುವುದು ಅಂತಿಮವಾಗಿ ರೋಬೋಟ್‌ಗಳಿಗೆ ಮೂಲಭೂತ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಆದಾಗ್ಯೂ MIT ಸಂಶೋಧಕರು ಇದು ಸ್ವಲ್ಪ ದೂರದ ಗುರಿಯಾಗಿದೆ ಎಂದು ಎಚ್ಚರಿಸಿದ್ದಾರೆ. CSAIL ನೇತೃತ್ವದ ತಂಡವು PhysicsGen ಸಿಮ್ಯುಲೇಶನ್‌ಗಾಗಿ ಬೀಜಗಳಾಗಿ ಇಂಟರ್ನೆಟ್ ವೀಡಿಯೊಗಳಂತಹ ವಿಶಾಲವಾದ, ರಚನೆಯಿಲ್ಲದ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಹೇಗೆ ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ ಎಂಬುದನ್ನು ತನಿಖೆ ನಡೆಸುತ್ತಿದೆ. ಗುರಿ: ದಿನನಿತ್ಯದ ದೃಶ್ಯ ವಿಷಯವನ್ನು ಶ್ರೀಮಂತ, ರೋಬೋಟ್-ಸಿದ್ಧ ದತ್ತಾಂಶವನ್ನಾಗಿ ಪರಿವರ್ತಿಸುವುದು, ಅದು ಯಾರಿಗೂ ಸ್ಪಷ್ಟವಾಗಿ ತೋರಿಸದ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಯಂತ್ರಗಳಿಗೆ ಕಲಿಸುತ್ತದೆ.

ಯಾಂಗ್ ಮತ್ತು ಅವರ ಸಹೋದ್ಯೋಗಿಗಳು ಭವಿಷ್ಯದಲ್ಲಿ ವೈವಿಧ್ಯಮಯ ಆಕಾರಗಳು ಮತ್ತು ಕಾನ್ಫಿಗರೇಶನ್‌ಗಳನ್ನು ಹೊಂದಿರುವ ರೋಬೋಟ್‌ಗಳಿಗೆ ಫಿಸಿಕ್ಸ್‌ಜೆನ್ ಅನ್ನು ಇನ್ನಷ್ಟು ಉಪಯುಕ್ತವಾಗಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದ್ದಾರೆ. ಇದನ್ನು ಮಾಡಲು, ಅವರು ನೈಜ ರೋಬೋಟ್ ಪ್ರದರ್ಶನಗಳ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಬಳಸಲು ಯೋಜಿಸುತ್ತಾರೆ, ಮಾನವ ಕೀಲುಗಳ ಬದಲಿಗೆ ರೋಬೋಟಿಕ್ ಕೀಲುಗಳು ಹೇಗೆ ಚಲಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತಾರೆ.

ಸಂಶೋಧಕರು ಬಲವರ್ಧನೆಯ ಕಲಿಕೆಯನ್ನು ಸೇರಿಸಲು ಯೋಜಿಸಿದ್ದಾರೆ, ಅಲ್ಲಿ AI ವ್ಯವಸ್ಥೆಯು ಪ್ರಯೋಗ ಮತ್ತು ದೋಷದ ಮೂಲಕ ಕಲಿಯುತ್ತದೆ, PhysicsGen ತನ್ನ ಡೇಟಾವನ್ನು ಮಾನವರು ಒದಗಿಸಿದ ಉದಾಹರಣೆಗಳನ್ನು ಮೀರಿ ವಿಸ್ತರಿಸುವಂತೆ ಮಾಡುತ್ತದೆ. ರೋಬೋಟ್ ತನ್ನ ಪರಿಸರವನ್ನು ಗ್ರಹಿಸಲು ಮತ್ತು ದೃಷ್ಟಿಗೋಚರವಾಗಿ ಅರ್ಥೈಸಲು ಸಹಾಯ ಮಾಡಲು ಸುಧಾರಿತ ಗ್ರಹಿಕೆ ತಂತ್ರಗಳೊಂದಿಗೆ ಅವರು ತಮ್ಮ ಪೈಪ್‌ಲೈನ್ ಅನ್ನು ಹೆಚ್ಚಿಸಬಹುದು, ಯಂತ್ರವು ಭೌತಿಕ ಪ್ರಪಂಚದ ಸಂಕೀರ್ಣತೆಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಮತ್ತು ಹೊಂದಿಕೊಳ್ಳಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.

ಸದ್ಯಕ್ಕೆ, PhysicsGen ಒಂದೇ ವರ್ಗದ, ವಿಶೇಷವಾಗಿ ಕಠಿಣವಾದ ವಸ್ತುಗಳನ್ನು ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸಲು ವಿವಿಧ ರೋಬೋಟ್‌ಗಳನ್ನು ಕಲಿಸಲು AI ನಮಗೆ ಹೇಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ. ಮೃದುವಾದ (ಹಣ್ಣಿನಂತಹ) ಮತ್ತು ವಿರೂಪಗೊಳಿಸಬಹುದಾದ (ಜೇಡಿಮಣ್ಣಿನಂತಹ) ವಸ್ತುಗಳನ್ನು ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸಲು ಉತ್ತಮ ಮಾರ್ಗಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಪೈಪ್‌ಲೈನ್ ಶೀಘ್ರದಲ್ಲೇ ರೋಬೋಟ್‌ಗಳಿಗೆ ಸಹಾಯ ಮಾಡಬಹುದು, ಆದರೆ ಈ ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳನ್ನು ಅನುಕರಿಸಲು ಇನ್ನೂ ಸುಲಭವಲ್ಲ.

ಯಾಂಗ್ ಮತ್ತು ಟೆಡ್ರೇಕ್ ಇಬ್ಬರು CSAIL ಸಹೋದ್ಯೋಗಿಗಳೊಂದಿಗೆ ಸಹ-ಲೇಖಕರಾಗಿದ್ದಾರೆ: ಸಹ-ಪ್ರಮುಖ ಲೇಖಕ ಮತ್ತು MIT ಡಾಕ್ಟರೇಟ್ ವಿದ್ಯಾರ್ಥಿ ಹ್ಯುಂಗ್ ಜು “ಟೆರ್ರಿ” ಸುಹ್ SM ’22 ಮತ್ತು MIT ಡಾಕ್ಟರೇಟ್ ವಿದ್ಯಾರ್ಥಿ ಬರ್ನ್‌ಹಾರ್ಡ್ ಪೌಸ್ ಗ್ರೆಸ್ಡಾಲ್. ಇನ್‌ಸ್ಟಿಟ್ಯೂಟ್ ಆಫ್ ರೊಬೊಟಿಕ್ಸ್ ಮತ್ತು AI ಸಂಶೋಧಕರು ಟಾಂಗ್ ಝಾವೊ ’22, MEng ’23, ತಾರಿಕ್ ಕೆಲೆಸ್ಟೆಮುರ್, ಜಿಗುವಾಂಗ್ ವಾಂಗ್ ಮತ್ತು ಟಾವೊ ಪಾಂಗ್ ಪಿಎಚ್‌ಡಿ ’23 ಸಹ ಲೇಖಕರು. ಅವರ ಕೆಲಸವನ್ನು ರೊಬೊಟಿಕ್ಸ್ ಮತ್ತು AI ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ ಮತ್ತು ಅಮೆಜಾನ್ ಬೆಂಬಲಿಸಿದವು.

ಸಂಶೋಧಕರು ಇತ್ತೀಚೆಗೆ ತಮ್ಮ ಕೆಲಸವನ್ನು ರೋಬೋಟಿಕ್ಸ್: ಸೈನ್ಸ್ ಅಂಡ್ ಸಿಸ್ಟಮ್ಸ್ ಕಾನ್ಫರೆನ್ಸ್‌ನಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಿದರು.