ரோபோடிக்ஸ் ஆராய்ச்சியாளர்கள் எதிர்வினை-மட்டும் ஏஐ-யைத் தாண்டிச் செல்கிறார்கள்
இன்றைய ரோபோடிக்ஸ் அமைப்புகளின் முக்கியமான பலவீனங்களில் ஒன்று, அவற்றில் பல கேமரா என்ன பார்க்கிறது என்பதிலிருந்து இயந்திரம் அடுத்ததாக செய்ய வேண்டிய இயக்கத்தை நேரடியாக வரைபடமாகக் கற்றுக்கொள்வதுதான். இது பயனுள்ள நடத்தையை உருவாக்க முடியும், ஆனால் புரிதலில் ஒரு இடைவெளியை விட்டுவிடுகிறது. ஒரு குறிப்பிட்ட படத்திற்குப் பிறகு வழக்கமாக எந்தச் செயல் நடைபெறுகிறது என்பதை ரோபோ கற்றுக்கொள்ளலாம்; ஆனால் தனது சொந்த செயல் உலகை எவ்வாறு மாற்றுகிறது என்பதை அது கற்றுக்கொள்வதில்லை.
வழங்கப்பட்ட செய்தியிடலில் குறிப்பிடப்பட்ட புதிய மதிப்பாய்வு கட்டுரை, வேர்ல்ட் ஆக்ஷன் மாடல்கள் அல்லது WAMs, அந்த இடைவெளியை மூடுவதற்காக வடிவமைக்கப்பட்டுள்ளன என்று வாதிடுகிறது. கண்காணிப்புகளைச் செயல்களுடன் மட்டும் இணைப்பதற்குப் பதிலாக, இந்த மாடல்கள் ஒரு செயல் மேற்கொள்ளப்பட்ட பின் சூழல் எப்படி மாறக்கூடும் என்பதையும் கணிக்கின்றன. நடைமுறையில், நகரும் முன் குறுகியகால விளைவுகளை ரோபோக்கள் உருவகப்படுத்த ஒரு வழியை இது வழங்குகிறது.
அது ஏன் முக்கியம்
இதன் நடைமுறைச் சாத்தியம் மிக முக்கியமானது. செயல்படுத்தும் முன் தனது இயக்கத்தின் விளைவுகளை ஒரு ரோபோ மாதிரியாக்க முடிந்தால், அது அறிமுகமற்ற பொருட்கள் மற்றும் சூழல்களுக்கு சிறப்பாக பொதுமைப்படுத்த முடியும். இது ரோபோடிக்ஸில் ஒரு பெரிய சவால்; அமைப்புகள் பெரும்பாலும் குறுகிய பயிற்சி நிலைகளில் நன்றாக செயல்பட்டு, சூழல் மாறும்போது செயல்திறன் குறைகிறது.
வழங்கப்பட்ட அறிக்கை மேலும் ஒரு நன்மையையும் சுட்டிக்காட்டுகிறது: பயிற்சி தரவு. பாரம்பரிய ரோபோடிக்ஸ் அமைப்புகள் பெரும்பாலும் ரோபோ செயல்கள் குறிச்சொல் இடப்பட்டிருக்கும் தரவுத்தொகுப்புகளையே நம்புகின்றன, அதை உருவாக்குவது செலவாகவும் மெதுவாகவும் இருக்கும். வேர்ல்ட் ஆக்ஷன் மாடல்கள் குறிச்சொல் இல்லாத அன்றாட வீடியோக்களிலிருந்தும், முதல் நபர் காட்சிகளையும் உட்பட, கற்றுக்கொள்ள முடியும்; காரணம் அவை கட்டளைகளை மட்டும் கற்றுக்கொள்வதில்லை. செயல்கள் மற்றும் மாறிக்கொண்டிருக்கும் காட்சிப்புலம் இடையிலான உறவையும் அவை கற்றுக்கொள்கின்றன.
இரண்டு முக்கிய வடிவமைப்பு கிளைகள் உருவாகின்றன
மதிப்பாய்வின்படி, இந்த மாடல் வகைக்குள் சுமார் நூறு கட்டுரைகள் அடங்குகின்றன; ஆசிரியர்கள் அவற்றை இரண்டு பரந்த கட்டமைப்பு குடும்பங்களாக வகைப்படுத்துகின்றனர். ஒரு வழி முதலில் முன்கணிக்கப்பட்ட எதிர்கால வீடியோவை உருவாக்கி, பின்னர் அந்த முன்னறிவிலிருந்து கட்டுப்பாட்டு கட்டளைகளை உருவாக்குகிறது. மற்றொன்று காட்சி உள்ளீடுகள் மற்றும் செயல்களை இணையாக ஒருசேர செயலாக்குகிறது.
இந்தப் பிரிவு முக்கியமானது; ஏனெனில் இது இந்தத் துறை தனித்தனி பரிசோதனைகளிலிருந்து உள்ளக அமைப்புடைய, அடையாளம் காணக்கூடிய ஆராய்ச்சி துறையாக வளர்ந்து வருவதை காட்டுகிறது. 2024 முதல் இக்கிளைகள் எவ்வாறு விரிந்துள்ளன என்பதை சர்வே பின்தொடர்கிறது; முன்னறிவு மற்றும் கட்டுப்பாட்டை இணைக்க முயலும் அமைப்புகளை ஒப்பிடுவதற்கான பொதுவான கட்டமைப்பை ரோபோடிக்ஸ் ஆராய்ச்சியாளர்களுக்கு வழங்குகிறது.
தூய உலக மாடல்களைத் தாண்டி
வழங்கப்பட்ட கட்டுரை ஒரு முக்கிய வேறுபாட்டை குறிப்பிடுகிறது. ஒரு தூய வீடியோ ஜெனரேட்டர் சாத்தியமான எதிர்கால ஃபிரேம்களை உருவாக்க முடியும், ஆனால் அதுவே கட்டுப்பாட்டிற்கு பயனுள்ளதாக மாறாது. வேர்ல்ட் ஆக்ஷன் மாடல்கள் ஒரே நேரத்தில் இரு தேவைகளையும் பூர்த்தி செய்ய வேண்டியவை: சூழலின் அடுத்த நிலையை கணித்தலும், அந்தக் கணிப்பை நேரடியாக செயல் உருவாக்கத்துடன் இணைத்தலும்.
இது WAMs-ஐ குறிப்பாக தொடர்புடையதாக ஆக்குகிறது; ஏனெனில் ரோபோடிக்ஸ் துறை கவர்ச்சிகரமான டெமோக்களிலிருந்து மேலும் நம்பகமான உடல்மூல அமைப்புகளுக்கு நகர முயல்கிறது. நெருங்கிய எதிர்காலத்தை கற்பனை செய்து, அதனை மோட்டார் முடிவுகளுடன் இணைக்கக்கூடிய ஒரு ரோபோ, வெறும் பிரதிபலிப்பாக அல்லாது முன்னறிவுடன் செயல்படுவதற்கு நெருக்கமானது.
மேலும் தழுவிக்கொள்ளக்கூடிய ரோபோக்களுக்கு ஒரு படி
வேர்ல்ட் ஆக்ஷன் மாடல்கள் இன்னும் ஒரு ஆராய்ச்சி கட்டமைப்பே; முடிந்த தயாரிப்பு வகை அல்ல. ஆனால் வழங்கப்பட்ட செய்தியிலுள்ள சர்வே, அவை ரோபோடிக்ஸ் ஏஐ-யின் அடுத்த அலைக்கான முக்கிய அமைப்புச் சிந்தனையாக மாறக்கூடும் என்பதை சுட்டிக்காட்டுகிறது. இந்த அணுகுமுறை எதிர்பார்த்தபடி செயல்பட்டால், ரோபோக்கள் குறைவாக முறிவு அடையும், மிக அதிகமாகத் தேர்ந்தெடுக்கப்பட்ட குறிச்சொற்கள்மீது குறைவாக சார்ந்திருக்கும், மேலும் செயல்படும் முன் சாத்தியமான விளைவுகளைப் பற்றி காரணம் கண்டு அறிமுகமற்ற சூழல்களைச் சமாளிக்க அதிக திறன் பெறலாம்.
இந்த கட்டுரை The Decoder வழங்கிய செய்தியிடலை அடிப்படையாகக் கொண்டது. மூல கட்டுரையைப் படிக்கவும்.
Originally published on the-decoder.com
