Brain Corp மற்றும் UC San Diego தன்னாட்சி ரோபோட்டுகளுக்கான சூழல் வரைபடங்கள் குறித்த ஆராய்ச்சியை விரிவுபடுத்துகின்றன

ரோபோட்டிக்ஸ் நிறுவனங்கள் மூலக் காட்சியைத் தாண்டி ஆழமான இடவியல் புரிதலை நோக்கி செல்கின்றன

Brain Corp மற்றும் University of California, San Diego சிக்கலான சூழல்களை தன்னாட்சி ரோபோட்டுகள் எவ்வாறு புரிந்துகொள்கின்றன என்பதை மேம்படுத்த தங்களின் ஆராய்ச்சி கூட்டாண்மையை விரிவுபடுத்துகின்றன. இந்தப் பணி அர்த்தபூர்வ வரைபடமிடல் மற்றும் கூட்டாளிகள் “contextual grounding layer” என்று விவரிக்கும் ஒன்றை மையமாகக் கொண்டது; இது காட்சி/இடங்களின் ஒரு டிஜிட்டல் பிரதிநிதித்துவம், வணிக மற்றும் தொழிற்சாலை சூழல்களில் ரோபோட்டுகள் தங்களின் சுற்றுப்புறத்தை மேலும் நம்பகமாக விளக்க உதவுவதற்காக வடிவமைக்கப்பட்டுள்ளது.

விஜுவல்-லாங்குவேஜ்-ஆக்ஷன் மற்றும் பிற உருவாக்கும் ஏஐ (generative AI) அமைப்புகளை நிஜ இயந்திரங்களில் இணைப்பதில் ரோபோட்டிக்ஸ் உருவாக்குநர்கள் வேகமாக முன்னேறும் இந்த நேரத்திலேயே இந்த அறிவிப்பு வந்துள்ளது. இம்மாதிரிகள் படங்களும் மொழியும் மூலம் ரோபோட்டுகள் ஊகிக்கக்கூடியவற்றை விரிவாக்கியுள்ளன; ஆனால் பிஸியான, கணிக்க முடியாத சூழல்களில் அவற்றை நம்பகமாகத் தொடங்குவதற்கு போதுமான ஒருமைத்தன்மை மற்றும் தாங்குதிறன் அவற்றுக்கு உள்ளதா என்பதே மையக் கேள்வி.

வரைபடங்கள் இன்னும் ஏன் முக்கியம் என Brain Corp மற்றும் UC San Diego நம்புகின்றன

வழங்கப்பட்ட ஆதாரத்தின் படி, இந்த கூட்டாண்மை காட்சித் தரவிலிருந்து மேலும் நேரடியாக இயங்கும் ஏஐ அமைப்புகளைத் துறை ஆராய்ந்துகொண்டிருந்தாலும், சூழல் சார்ந்த 3D அர்த்தபூர்வ வரைபடங்கள் இன்னும் அத்தியாவசியம் என்ற நிலைப்பாட்டை எடுக்கிறது. வேறு வார்த்தைகளில், செறிவான உணர்வு அமைப்பான இடவியல் புரிதலின் கட்டமைக்கப்பட்ட தேவையை நீக்குவதில்லை. அது அந்தத் தேவையை மேலும் அவசரமானதாக மாற்றக்கூடும்.

இது end-to-end ஏஐ பற்றிய உற்சாகம் அதிகரித்திருக்கும் துறையில் முக்கியமான நிலைப்பாடு. இந்தக் கூட்டாண்மை சரியானதாக இருந்தால், நடைமுறைத் தன்னாட்சிக்கான பாதை பெரிய மாதிரிகள்மீது மட்டுமல்ல, பொருட்கள் என்ன, அவை எங்கே உள்ளன, மற்றும் ஒரு ரோபோட் செய்ய முயற்சிக்கும் பணிகளுடன் அவை எப்படி தொடர்புடையவை என்பதைக் கூறும் வலுவான உலக மாதிரிகள்மீதும் சார்ந்திருக்கும்.

SLAM இலிருந்து நிலைமையான விழிப்புணர்வுக்கு

Simultaneous localization and mapping, அல்லது SLAM, ரோபோட்டுகளை நிலையான தொழிற்சாலை சூழல்களிலிருந்து இயக்கமுள்ள இடங்களுக்குக் கொண்டு செல்ல உதவியது; அதற்குக் காரணம், வழிசெலுத்தும் போது வரைபடங்களை உருவாக்கவும் புதுப்பிக்கவும் அது அனுமதித்தது. கூட்டாளிகள் கூறும் அடுத்த படி, அந்த வரைபடங்களுக்கு மேலும் அர்த்தபூர்வமும் சூழல் சார்ந்தவும் ஆழத்தை வழங்குவது. அதாவது, ஜியோமெட்ரியைத் தாண்டி புரிதலுக்குச் செல்வது: ஒரு நடைபாதை மட்டும் அல்ல, ஆனால் அதில் மக்கள், தடைகள், பணிப்பாய்ச்சல்கள் மற்றும் மாறும் செயல்பாட்டு விதிகள் இருக்கும் நடைபாதை.

சூழல் சார்ந்த grounding layer-ஐ, ரோபோட்டுகள், ட்ரோன்கள் மற்றும் தன்னிச்சையான வாகனங்களை ஆதரிக்கக்கூடிய புத்திசாலியான டிஜிட்டல் பிரதிநிதித்துவமாக ஆதாரம் விவரிக்கிறது. இதன் வாக்குறுதி, மேம்பட்ட ஏஐ அமைப்புகள் மக்களுடன் பகிரப்படும் இயற்கை உலகச் சூழல்களில் உடனுணர்வோடும் பாதுகாப்பாகவும் பதிலளிக்கச் செய்யும் அளவிலான நிலைமையான விழிப்புணர்வு.

ஆராய்ச்சிக்குப் பின்னுள்ள வணிகச் சவால்

இந்த திசையின் கவர்ச்சி நடைமுறையில் உள்ளது. பல ரோபோட்டிக்ஸ் தோல்விகள், ஒரு அமைப்பு ஆய்வகத்தில் ஒரு பொருளை அடையாளம் காண முடியாததால் நிகழ்வதில்லை. அவை நிஜ இடங்கள் குழப்பமானவை, மறுசீரமைக்கக்கூடியவை, மேலும் சமூக ரீதியாக சிக்கலானவை என்பதால் நிகழ்கின்றன. அலமாரிகள் நகர்கின்றன, வண்டிகள் தோன்றுகின்றன, மக்கள் செயல்களின் ஓட்டத்தைத் தடைக்கின்றனர், மேலும் ஒளி நிலைகள் மாறுகின்றன. படங்களை வகைப்படுத்தக்கூடிய ஆனால் அந்தத் தகவலை நிலையான இடவியல் சூழலில் நிலைநிறுத்த முடியாத ரோபோட்டில் நம்பிக்கை வைப்பது கடினம்.

Brain Corp-இன் செயல்பாட்டு அணுகுமுறை இந்தத் திட்டத்திற்கு நிஜமான deployment பின்னணியை வழங்குகிறது. ஆதாரம் உலகளவில் 50,000-க்கும் அதிகமான ரோபோட்டுகள் நிறுவப்பட்டுள்ளன என்று குறிப்பிடுகிறது; அதாவது நிறுவனம் ஆய்வுத் தொடர்களை மட்டும் அல்லாமல், ஏற்கெனவே உள்ள நிறுவப்பட்ட அடிப்படையிலிருந்து செயல்படுகிறது. இது முக்கியம், ஏனெனில் இந்த கூட்டாண்மை கல்விசார் benchmarking-ஐ மட்டுமல்ல, வர்த்தக ரீதியாகப் பொருத்தமான தன்னாட்சியையும் இலக்காகக் கொண்டுள்ளது என்பதை இது சுட்டுகிறது.

இயற்பியல் ஏஐக்கான ஒரு நடுநிலை வழி

இந்த கூட்டாண்மை ரோபோட்டிக்ஸ் உத்தியில் பரந்த மாற்றத்தையும் பிரதிபலிக்கிறது. தொழில் இப்போது கடினமான, பணிக்கே உரிய தானியக்கத்திற்கும் மிகுந்த லட்சியத்துடன் உள்ள பொது-நோக்க ஏஐ-க்கும் இடையில் ஒரு நடுநிலை வழியைத் தேடுகிறது. சூழல் வரைபடமிடல் அந்த நடு அடுக்கிற்கான ஒரு தேர்வாகும். அது மேலே அதிக நெகிழ்வான நடத்தை அனுமதித்துக்கொண்டே அமைப்பையும் பாதுகாப்பையும் காக்க முடியும்.

இந்த அணுகுமுறை அடிப்படையாக மாறுமா என்பது செயலாக்கத்தைப் பொறுத்தது; குறிப்பாக இந்த செறிந்த வரைபடங்கள் எவ்வளவு சிறப்பாக அளவுபடுத்தப்படுகின்றன, புதுப்பிக்கப்படுகின்றன, மற்றும் வேகமாக வளர்ந்து வரும் ஏஐ மாதிரிகளுடன் ஒருங்கிணைக்கப்படுகின்றன என்பதே முக்கியம். ஆனால் அடிப்படை யோசனை சரியானது: ரோபோட்டிக்ஸில் நுண்ணறிவு என்பது பார்ப்பது மட்டுமல்ல. அது உணர்வை உலகின் ஒரு நிலையான மாதிரியில் நிலைநிறுத்துவது. Brain Corp மற்றும் UC San Diego, மாடலின் அளவு மட்டும் அல்ல, இந்த அடுக்கு தான் அடுத்த தலைமுறை தன்னாட்சி அமைப்புகளை கட்டுப்படுத்தப்பட்ட சூழல்களுக்கு வெளியே செயல்படுத்தக்கூடியதாக்கலாம் என்று நம்பிக்கை வைக்கின்றன.

இந்தக் கட்டுரை The Robot Report வழங்கிய செய்திப்பரப்பை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.