کنکور 98

ساخت رباتی که با حس لامسه و بینایی اشیا را تشخیص می‌دهد

دانشمندان آمریکایی رباتی طراحی کرده‌اند که قادر است همچون انسان‌ها از حس بینایی و لامسه برای شناسایی اشیا مختلف استفاده کند.

ساخت رباتی که با حس لامسه و بینایی اشیا را تشخیص می‌دهد
دانشمندان آمریکایی رباتی طراحی کرده‌اند که قادر است همچون انسان‌ها از حس بینایی و لامسه برای شناسایی اشیا مختلف استفاده کند.

پایگاه اینترنتی انگجت روز دوشنبه با اعلام این مطلب، افزود: اگرچه شناسایی اشیا با استفاده از حس بینایی و لامسه برای انسان‌ها کار ساده‌ای است، اما این کار برای ماشین‌ها چالش بزرگی است. حال محققان آزمایشگاه علوم کامپیوتر و هوش مصنوعی دانشگاه ام آی تی (CSAIL) ربات جدیدی را برای همین منظور طراحی و تولید کرده‌اند.

پژوهشگران برای این منظور یک حسگر لامسه موسوم بهGelSight را به بازوی رباتیک KUKA اضافه کردند و در مرحله بعد، از هوش مصنوعی برای تعیین ارتباط میان اطلاعات بصری و لمسی با استفاده از داده‌های گردآوری شده توسط GelSight استفاده شد.

این محققان آمریکایی برای اینکه هوش مصنوعی مذکور را برای شناسایی اشیاءاز طریق حس لامسه آماده کنند ،۱۲ هزار ویدئو از لمس ۲۰۰ شیء از قبیل پارچه، ابزار و وسایل خانه ضبط کردند. این ویدئوها سپس به عکس‌های ثابت تقسیم شده و هوش مصنوعی از این مجموعه اطلاعاتی برای برقراری ارتباط میان داده‌های بصری و لمسی استفاده کرد.

یانژو لی مؤلف ارشد این پژوهش در مقاله‌ای جدید در این‌باره می‌نویسد: این سیستم مبتنی بر هوش مصنوعی با نگاه کردن به یک صحنه می‌تواند حس لمس یک سطح مسطح یا شیاردار را تصور کند. مدل ما همچنین با لمس اشیا پیرامون خود می‌تواند با حس لامسه تعامل با محیط را پیش‌بینی کند. کنار هم قرار گرفتن این دو حس به ربات حاضر قدرت بخشیده و از حجم داده‌های موردنیاز برای فعالیت‌هایی که شامل گرفتن اشیا و دستکاری در آنها می‌شود، می‌کاهد.

در زمان حاضر این ربات تنها قادر به شناسایی اشیا در یک محیط کنترل شده است. گام بعد ساخت پایگاه اطلاعاتی بزرگ‌تری است تا این ربات بتواند در محیط‌های متنوع‌تری به کار گرفته شود.

اندرو اوونز از محققان دانشگاه کالیفرنیا در این‌باره می‌گوید: روش‌های این چنینی می‌توانند در علم رباتیک برای پاسخ به پرسش‌هایی چون اینکه این شیء نرم است یا سخت و اینکه اگر این ماگ را با دسته بلند کنم، گیر دستم چقدر خوب خواهد بود؛ مفید واقع شوند. از آن جایی که سیگنال‌ها خیلی متفاوتند این یک مسئله چالش برانگیز است اما این مدل ظرفیت بالایی را از خود نشان داده است.

منبع :