మానవాకార రోబోట్ల కోసం NIST కొత్త బేస్‌లైన్ బెంచ్‌మార్క్‌ను ప్రతిపాదించింది, పెట్టుబడి పోరు వేగం పెంచుకుంటున్న వేళ

DARPA తర్వాత ఒక దశాబ్దం, సాధారణ కొలమానానికి కొత్త పుష్

మానవాకార రోబోట్ల బూమ్‌లో ప్రదర్శనలు, ఫండింగ్ రౌండ్లు, మార్కెటింగ్ వీడియోలకు ఎలాంటి లోటు లేదు. కానీ వాటిని ప్లాట్‌ఫార్మ్‌ల మధ్య పోల్చేందుకు విస్తృతంగా అంగీకరించబడిన మార్గం మాత్రం లేదు. ఇప్పుడు NIST దాన్ని మార్చాలని చూస్తోంది. అందించిన నివేదిక ప్రకారం, సంస్థ మానవాకార రోబోట్ల కోసం ఒక సమగ్ర బేస్‌లైన్ బెంచ్‌మార్క్‌ను ప్రతిపాదించింది, దీన్ని 2015 DARPA Robotics Challenge తర్వాత ఈ వర్గానికి సంబంధించిన మొదటి ప్రమాణీకృత పనితీరు బెంచ్‌మార్క్‌గా వివరించింది.

ఇది యాదృచ్ఛిక సమయం కాదు. మానవాకార స్టార్టప్‌లు మరియు పరిశ్రమలోని పెద్ద సంస్థలు రెండూ తమ సిస్టమ్స్ ఫ్యాక్టరీలు, గోదాములు, ఆరోగ్య సంరక్షణ వాతావరణాలు, చివరికి ఇళ్లలోనూ పనిచేయగలవని చూపించేందుకు ప్రయత్నిస్తున్నాయి. కానీ సాధారణ పరీక్షా విధానాలు లేకుండా, ఒక సిస్టమ్ నిజంగా మరొకదానికంటే ఎక్కువ సామర్థ్యం కలిగిందా లేదా కేవలం వీడియో కోసం బాగా సెట్ చేయబడిందా అనేది తెలుసుకోవడం కష్టం.

NIST ఏమి ప్రతిపాదిస్తోంది

ప్రతిపాదిత బెంచ్‌మార్క్‌ను ముందుగా నిర్వచించబడిన మరియు ప్రమాణీకరించబడిన పరీక్షా విధానాలు, పనితీరు మెట్రిక్స్‌పై ఆధారపడిన తక్కువ-ఫుట్‌ప్రింట్ locomotion మరియు manipulation పనుల సమాహారంగా వివరించారు. పారిశ్రామిక, గృహ, ఆరోగ్య సంరక్షణ మరియు ఇతర వాతావరణాల్లో వాణిజ్యంగా లభ్యమయ్యే మానవాకార రోబోట్లకు కనీసం ఆశించాల్సిన సామర్థ్యాలను ఈ పనులు ప్రతిబింబించేలా ఉద్దేశించబడ్డాయని NIST చెబుతోంది.

మూల పాఠ్యానికి అనుగుణంగా, ఈ బెంచ్‌మార్క్ ప్రస్తుత పరిశ్రమలో ముందున్న రోబోట్ల కోసం సామర్థ్య కొలమానాలను స్థాపించడమే కాకుండా, పరిశోధకులు మరియు తయారీదారులకు ఒక పంచుకున్న పనుల సమితిని అందించేందుకు ఉద్దేశించబడింది. ఇది ముఖ్యమైనది, ఎందుకంటే బేస్‌లైన్ పరీక్ష ఉపయోగకరంగా ఉండటానికి ప్రతి అధునాతన నైపుణ్యాన్ని పట్టుకోవాల్సిన అవసరం లేదు. పునరావృతం చేయగల పరిస్థితుల్లో సిస్టమ్స్ నిజంగా ఏమి చేయగలవో చూపించే ఒక సాధారణ అడుగుస్థాయిని సృష్టించాలి.

కళ్లుచూపు నుంచి పోల్చదగిన పనితీరువరకు

NIST ప్రకారం, ఈ బెంచ్‌మార్క్ డొమైన్-అగ్నోస్టిక్ మొబిలిటీ మరియు డెక్స్టెరిటీ, సమన్వయంతో కూడిన locomotion-and-manipulation పనులు, సంపూర్ణ శరీర అవగాహన మరియు నియంత్రణ అవసరమైన పరిమిత ప్రదేశాల్లో మేనిప్యులేషన్, మరియు కనీస తర్కం మరియు దృశ్య అవగాహనను పరీక్షిస్తుంది. ఈ మిశ్రమం గమనించదగ్గది. ఇది సంస్థ కేవలం నడక లేదా పట్టుకోవడాన్ని విడివిడిగా పరీక్షించడమే కాకుండా, గట్టిగా నియంత్రిత డెమోల వెలుపల మానవాకార రోబోట్లను ప్రాసంగికంగా 만드는 సమన్విత ప్రవర్తనను పట్టుకోవాలనుకుంటోందని సూచిస్తుంది.

ఇది రంగానికి కీలకమైన మార్పు. Tesla, Figure, Agility, Apptronik, మరియు Unitree వంటి కంపెనీల మానవాకార ప్లాట్‌ఫార్మ్‌లలో పెట్టుబడిదారులు భారీగా డబ్బు పెట్టారు, అయినప్పటికీ ఈ రంగానికి ఇప్పటికీ ఒక ప్రాథమిక ప్రశ్నకు ప్రమాణిత సమాధానం లేదు: ఈ యంత్రాలు నమ్మకంగా ఏమి చేయగలవు? బెంచ్‌మార్క్ వాణిజ్యీకరణను పరిష్కరించదు, కానీ దావాలను పరీక్షించడం సులభం చేస్తుంది మరియు వాటిని అతిశయోక్తి చేయడం కష్టతరం చేస్తుంది.

ఇప్పుడు ప్రమాణాలు ఎందుకు ముఖ్యం

మానవాకార రోబోట్ల మార్కెట్ కథనం ఇంజనీరింగ్‌న్నంతే నమ్మకంపై ఆధారపడి ఉంటుంది. లాజిస్టిక్స్, తయారీ, ఆరోగ్య సంరక్షణ, మరియు సేవా వాతావరణాల్లోని కస్టమర్లకు, ఒక రోబోట్ అంచనా వేయదగ్గ విధంగా, సురక్షితంగా, మరియు తగిన స్థిరత్వంతో పనులు చేయగలదా అనే విషయం తెలుసుకోవాలి, తద్వారా దాన్ని అమలు చేయడం సమంజసం అవుతుంది. ప్రమాణీకృత పరీక్ష సాంకేతిక ఆశయాలు మరియు కొనుగోలు నమ్మకం మధ్య ఖాళీని తగ్గించడానికి సహాయపడుతుంది.

అందించిన నివేదికలో NIST ఈ ఉపకరణాన్ని పరిశ్రమ మరియు పరిశోధనా సముదాయంతో కలిసి రూపొందించిందని, ప్రక్రియపై ఏకాభిప్రాయం ఏర్పరుస్తున్న సమయంలో పాల్గొనదలచినవారిని కోరుకుంటోందని కూడా పేర్కొంది. ఈ సహకార నిర్మాణం, బెంచ్‌మార్క్ కేవలం కాగితపు ప్రతిపాదనగా మిగిలిపోకుండా మరింతగా మారే అవకాశాన్ని పెంచుతుంది. ప్రచురణ మాత్రమే కాదు, ఆమోదమే ఒక ప్రమాణం మార్కెట్‌ను ఎలా ఆకృతీకరిస్తుందో నిర్ణయిస్తుంది.

ప్రతిపాదన ఏమి మార్చగలదు

• ఇది కొనుగోలుదారులకు మానవాకార దావాలను పోల్చడానికి తటస్థమైన రూపకల్పనను అందించగలదు.
• ఇది పరిశోధకులు మరింత స్థిరమైన మెట్రిక్స్‌తో అభివృద్ధి లోపాలను లక్ష్యంగా చేసుకోవడానికి సహాయపడగలదు.
• ఇది కురేట్ చేసిన ప్రదర్శనల బదులు పునరావృతం చేయగల పనితీరును చూపించడానికి కంపెనీలపై ఒత్తిడి తెచ్చగలదు.

మానవాకార రంగం ఇంకా పెద్ద సాంకేతిక మరియు ఆర్థిక సవాళ్లను ఎదుర్కొంటోంది. కానీ NIST ఒక పంచుకున్న బేస్‌లైన్ చుట్టూ విస్తృత భాగస్వామ్యాన్ని పొందగలిగితే, ఈ రంగం చివరకు తన వాణిజ్య ఆశయాలకు అనుగుణమైన కొలమానం వ్యవస్థను పొందవచ్చు.

ఈ వ్యాసం The Robot Report నివేదిక ఆధారంగా ఉంది. మూల వ్యాసాన్ని చదవండి.