விழிமுறை முதலில் முறிவதால், டெமோவுக்கு வெளியே ரோபோக்கள் இன்னும் தோல்வியடைகின்றன

ரோபோடிக்ஸ் deployment gap, குழுக்கள் ஒப்புக்கொள்வதை விட perception-இல் இருந்து அதிகமாகத் தொடங்குகிறது

The Robot Report இல் வந்த புதிய கட்டுரை, ரோபோடிக்ஸின் மிகவும் பிடிவாதமான பிரச்சினைகளில் ஒன்று பிரம்மாண்டமான autonomy அல்லது advanced planning அல்ல, மாறாக கட்டுப்படுத்தப்பட்ட சூழலுக்கு வெளியே சிதறும் perception என்பதைக் கூறுகிறது. ஆசிரியர், Orbbec engineering executive David Chen, ஒரு பரிச்சயமான முறைமையை விவரிக்கிறார்: ஒரு robot டெமோவில் மென்மையாக செயல்படுகிறது, ஆனால் மாற்றம் அடையும் ஒளி, பிரதிபலிக்கும் மேற்பரப்புகள், transparent materials, vibration, மக்கள், மற்றும் forklift traffic உள்ள சூழல்களில் deploy செய்யப்படும்போது போராடுகிறது.

இது artificial intelligence தோல்வியடைந்தது என்பதல்ல. உயர்நிலை reasoning உதவுவதற்கு முன்பே பல நிஜ உலக தோல்விகள் தொடங்கிவிடுகின்றன என்பதே கருத்து. robot-இன் depth map தவறாக, அதிக நம்பிக்கையுடன், அல்லது நிலையாக இல்லாமல் இருந்தால், planning மற்றும் manipulation layers மோசமான input-ஐப் பெறுகின்றன. முடிவு motion அல்லது task-planning பிரச்சினை போல தோன்றலாம், ஆனால் அடிப்படை காரணம் sensing, calibration, அல்லது மோசமான confidence estimation ஆக இருக்கலாம்.

பல deployment-களுக்கு 2D vision ஏன் போதாது

இந்த கட்டுரை 3D vision systems, depth cameras, மற்றும் sensor fusion-க்கு நேரடியான காரணத்தை முன்வைக்கிறது. பாரம்பரிய 2D cameras அடையாளம் காணுதல், inspection, மற்றும் tracking-க்கு இன்னும் பயனுள்ளவை, ஆனால் அவை depth-ஐ நேரடியாக அளவிடுவதில்லை. Depth-ஐ motion, multi-view geometry, அல்லது learned priors மூலம் ஊகிக்கலாம்; ஆனால் lighting, texture, occlusion, அல்லது materials மாறும்போது அந்த முறைகள் பல நேரங்களில் முறிந்துவிடுகின்றன.

இந்தக் கவனம் முக்கியமானது, ஏனெனில் modern robotics நிலையான, கட்டமைக்கப்பட்ட அமைப்புகளிலிருந்து warehouses, hospitals, மற்றும் கலவையான தொழில்துறை சூழல்களுக்குத் தள்ளப்பட்டு வருகிறது. அந்த இடங்களில் robots-க்கு flat imagery-யிலிருந்து எடுத்த சிறந்த கணிப்பை விட, physical world-இல் இருந்து பெறப்படும் spatial measurements தேவை. எனவே reliable deployment என்பது benchmark-ஐ மட்டும் அல்ல, task மற்றும் environment-ஐ பிரதிபலிக்கும் sensing modalities-ஐத் தேர்வு செய்வதையே சார்ந்துள்ளது.

Depth sensing ஒன்றே ஒரு தொழில்நுட்பம் அல்ல

Chen-ன் கட்டுரை depth sensing தானே ஒரு single technology அல்ல என்பதைவும் வலியுறுத்துகிறது. அது structured light systems மற்றும் அவை கொண்ட tradeoffs உட்பட robotic vision-இன் பல தலைமுறைகளை எடுத்துக்காட்டுகிறது. Structured light indoor inspection மற்றும் measurement-க்கு நன்றாக வேலை செய்யலாம், ஆனால் ambient light, motion, பிரதிபலிக்கும் மேற்பரப்புகள், transparent materials, மற்றும் பிற active emitters-இருந்து வரும் interference-க்கு உணர்திறன் கொண்டதாக இருக்கலாம்.

ரோபோடிக்ஸ் விவாதங்கள் perception-ஐ ஒரு பொது திறனாக சமப்படுத்தி விடுவதால், இந்த நினைவூட்டல் பயனுள்ளதாக உள்ளது. நடைமுறையில், sensing performance எது physical method பயன்படுத்தப்படுகிறது, அது எங்கு பயன்படுத்தப்படுகிறது, மற்றும் robot எந்த வகை பொருட்கள் அல்லது materials-ஐ கையாள வேண்டும் என்பதையே பெரிதும் சார்ந்துள்ளது.

மறைந்துள்ள பிரச்சினை confidence

கட்டுரையின் கூர்மையான வரிகளில் ஒன்று, confident ஆக இருந்தாலும் தவறான depth map-ஐ அடிப்படையாகக் கொண்டு robot நம்பகமாக planning செய்ய முடியாது என்பதுதான். இது ஒரு முக்கியமான engineering challenge-ஐச் சுட்டுகிறது. Perception systems-க்கு துல்லியம் மட்டுமல்ல, நம்பத்தகுந்த uncertainty estimates-மும் தேவை. வெளிப்படையாக தோல்வியடையும் ஒரு system சில நேரங்களில் கையாளப்படலாம். ஆனால் தன்னை உறுதியாகக் காட்டிக்கொண்டே அமைதியாக தோல்வியடையும் ஒரு system-ஐ பாதுகாப்பாகவும் திறமையாகவும் deploy செய்வது மிகவும் கடினம்.

ரோபோக்கள் குறைவாக கட்டமைக்கப்பட்ட இடங்களுக்குள் செல்லும்போது இந்த சிக்கல் குறிப்பாக முக்கியமாகிறது. பளபளப்பான warehouse floor, எதிர்பாராத வகையில் நகரும் மக்களுடன் hospital corridor, அல்லது பல்வேறு materials கொண்ட manufacturing line ஆகியவை sensing ambiguities-ஐ உருவாக்கலாம். அந்த ambiguity-ஐ robot சரியாக பிரதிநிதித்துவப்படுத்த முடியாவிட்டால், downstream decision-making brittle ஆகிவிடும்.

மூலமானது நேரடியாக எதை ஆதரிக்கிறது

கொடுக்கப்பட்ட source text கட்டுரையின் முக்கிய வாதங்களைத் தெளிவாக ஆதரிக்கிறது. நிஜ deployment-களில் மாறும் ஒளி, பிரதிபலிக்கும் மேற்பரப்புகள், transparent materials, நகரும் மக்கள், vibration, மற்றும் டெமோவில் தெரியாத பல variables வெளிப்படுகின்றன. கட்டுரை, robotic perception நம்பகமானதாக, task-specific ஆக, மற்றும் நிஜ செயல்பாட்டு சூழல்களில் அளவிடக்கூடியதாக இருக்க வேண்டும் என்று வாதிடுகிறது. மேலும் 3D vision systems, depth cameras, மற்றும் sensor fusion ஆகியவை robotics deployment-இன் மையமாகிவிட்டன என்றும் கூறுகிறது.

robot-vision hardware விற்பனை செய்யும் ஒரு நிறுவனத்தின் executive இந்தக் கட்டுரையை எழுதியுள்ளதால், அதை அந்தச் சூழலில் வாசிக்க வேண்டும். இருந்தாலும், technical diagnosis robotics-இல் பரவலாக அங்கீகரிக்கப்பட்ட பிரச்சினையுடன் பொருந்துகிறது: staged demonstrations-இலிருந்து robust operation-க்கு மாறுவது இன்னும் sensing quality-ஆல் கட்டுப்படுத்தப்படுகிறது.

இது இப்போது ஏன் முக்கியம்

ரோபோடிக்ஸ் இப்போது எதிர்பார்ப்புகள் deployment reality-யை விட வேகமாக விரிவடையும் கட்டத்தில் உள்ளது. Investors, customers, மற்றும் platform developers, robots அதிகம் open-ended environments மற்றும் அதிகப்படியான tasks-ஐ கையாள வேண்டும் என்று increasingly எதிர்பார்க்கிறார்கள். அந்த மாற்றம் முதலில் perception stacks-ஐ அழுத்துகிறது. Demo-வை இன்னும் choreograph செய்ய முடியும். Commercial environment-ஐ முடியாது.

இதன் விளைவாக, perception engineering ஒரு background subsystem அல்லாமல் strategic differentiator ஆக மாறுகிறது. நிஜ சூழல்களில் sensing-ஐ அதிக நம்பகமாக்கும் companies proof-of-concept மற்றும் revenue இடையிலான தூரத்தை குறைக்கும். அதைச் செய்ய முடியாதவர்கள், impressive demonstrations-ஐத் தொடர்ந்து உருவாக்கலாம்; ஆனால் அவை பொதுவாக generalize ஆகாது.

முக்கிய கருத்து

இந்தக் கட்டுரையின் வாதம் இறுதியில், சிறந்த முறையில், conservative ஆனது: demo வேலை செய்தால் perception solved என்று robotics teams கருதுவதை நிறுத்த வேண்டும். நிஜ deployment-க்கு calibrated, measurable, மற்றும் கடினமான சூழல்களிலும் நீடிக்கும் sensing தேவை.

இந்த செய்தி அடிப்படையானதாகத் தோன்றலாம், ஆனால் இது இன்னும் இந்தத் துறையின் கடினமான உண்மைகளில் ஒன்றாகவே உள்ளது. Robots இன்னும் நிஜ உலகைக் காண முடியாமல் போராடுகின்றன, ஏனெனில் நிஜ உலகம் laboratory போல நடக்க மறுக்கிறது.

இந்தக் கட்டுரை The Robot Report-இன் செய்திப்பதிவை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.