నష్టాన్ని ఎదుర్కోవడం నేర్చుకోవడం
నిజ-సంసార పరిసరాలలో మోహరించిన రోబోట్ల యొక్క అత్యంత నిరంతర పరిమితులలో ఒకటి వాటి బెదరుతకత. ఒక్క విఫల యాక్చువేటర్, దెబ్బ పడిన అవయవం, లేదా విరిగిన సెన్సర్ ఇతర విధంగా కార్యక్ష చేసే యంత్రాన్ని పూర్తిగా నిష్క్రియ చేయగలదు. నియంత్రిత కర్మాగారం సెట్టింగ్లలో రోబోట్లను సమర్థవంతమైనదిగా చేసే దృఢమైన, ఉద్దేశ్య-నిర్మిత డిజైన్లు శోధన-మరియు-రక్షణ కార్యకలాపాల, సైనిక విస్తరణ, లేదా గ్రహ అన్వేషణ యొక్క అనిశ్చితికి ఎదుర్కొంటుందనే కూడా అప్పటికే బాధ్యతలు అవుతాయి. ఒక ప్రముఖ రోబోటిక్ల సంస్థ నుండి ఒక కొత్త అధ్యయనం ఒక సంభావ్య పరిష్కారాన్ని ప్రదర్శించింది: కృత్రిమ మేధస్ను ఉపయోగించి సహ-పరిణామం చేసిన భౌతిక రూప మరియు నియంత్రణ సాఫ్ట్వేర్ను కలిగిన రోబోట్లు, దాదాపు పూర్తిగా నిలిపివేయడానికి అసాధ్యమైన డిజైన్లను ఉత్పత్తి చేస్తాయి.
Science Roboticsలో ప్రకటించిన ఈ పని evolutionary algorithms యొక్క ఒక వేరియంట్ను ఉపయోగించింది — పరిణామ ఉద్ఘాటన ద్వారా ప్రేరణ పొందిన గణన ప్రక్రియలు — రోబోట్ యొక్క భౌతిక నిర్మాణం మరియు దానిని నియంత్రించే neural networkను ఏకకాలంలో ఆప్టిమైజ్ చేయడానికి. ఫలితం ఒక యంత్రం, ఇది నష్టానికి సహనం చేయనిచే; ఇది నష్టం సంభవిస్తుందని ఆశించటపై నిర్మించారు. చేతులు తీసివేసిన, pneumatic actuators చిందారు, మరియు సెన్సర్లను నిలిపివేసిన పరిశోధకుల ద్వారా పరీక్షించినప్పుడు, రోబోట్ సాధారణ రూపకల్పన చేసిన ప్రతిస్పర్థకుల కంటే చాలా ఎక్కువ విజయ రేటుతో ఆటోనోమస్గా కదలటం మరియు నావిగేషన్ టాస్క్లను పూర్ణం చేయటం కొనసాగించింది.
పరిణామ ডిజైన్ ఎలా పనిచేస్తుంది
ఈ ప్రక్రియ యాదృచ్ఛికంగా జన్మించిన రోబోట్ డిజైన్ల జనాభా నుండి ప్రారంభమవుతుంది — వేర్వేర సంఖ్యలో చేతులు, సంయుక్త ఆకృతులు, పదార్థ లక్షణాలు, మరియు సెన్సర్ ప్లేస్మెంట్లను కలిగిన వర్చువల్ శరీరాలు — ప్రతిది యాదృచ్ఛికంగా ప్రారంభించిన నియంత్రణ నెట్వర్క్తో జతచేయబడింది. ఈ వర్చువల్ రోబోట్లు ఒక సిమ్యులేట్ చేసిన భౌతిక పరిసరానికి గురి చేయబడతాయి మరియు ఒక టాస్క్ను పూర్ణం చేయటానికి వాటి సామర్థ్యం యొక్క ఆధారంగా మూల్యాంకనం చేయబడతాయి: అడ్డంకి కోర్సు నావిగేట్ చేయటం, లోడ్ చేయటం, లేదా హిట్ తరువాత ఫార్వర్డ్ చలనాన్ని నిర్వహిస్తూ ఉండటం.
ఉత్తమంగా పనిచేసే డిజైన్లు ఎంపిక చేయబడతాయి, ఒకటికి చేరుకోబడతాయి, మరియు తదుపరి తరం ఏర్పడటానికి సంచయం చేయబడతాయి — సహజ ఎంపిక జీవన చిన్నట్లుగా ఆధారపడిన లక్షణాలను పెంపొందిస్తుంది. వేలాది సిమ్యులేట్ చేసిన జన్మల్లో, ఈ ప్రక్రియ నిజంగా మానవ ఇంజనీర్లకు ఆశ్చర్యకరమైనటైన డిజైన్కు కలుస్తుంది: అసమానమైన బాడీ ప్లాన్లు, తీసివేసిన అవయవం వరకు వృధా అనిపించే నకిలీ యాక్చువేటర్ ఏర్పాటులు, మరియు నిజ సమయంలో విఫలమైన భాగాల చుట్టూ మోటారు ఆదేశాలను రూట్ చేయటానికి నేర్చుకున్న నియంత్రణ నెట్వర్క్లు.
కొత్త అధ్యయనం ఏమి ప్రత్యేకమైనది అది పరిణామ ప్రక్రియ సమయంలో నష్టం దృశ్యాలను స్పష్టంగా చేర్చటం. పూర్తిగా నష్టానికి లేని పరిస్థితులలో సంపూర్ణ పనితీరు కోసం ఆప్టిమైజ్ చేయటం కంటే, పరిశోధకులు సిమ్యులేషన్ సమయంలో ఆవర్తనంలో యాదృచ్ఛిక నష్టం ఘటనలను చేర్చారు — చేతులు తీసివేయటం, సెన్సర్లను క్షీణింపచేయటం, యాక్చువేటర్లను రిభర్స్చేయటం — మరియు సాధారణ మరియు నష్టం అందిన పరిస్థితుల జుట్టూ ఎంత బాగా రోబోట్లు పనితీరు నిర్వహించింది. ఈ ద్విజ ఆప్టిమైజేషన్ ఘాటు పనితీరు-ఏకైక పరిణామం కంటే రోబోట్ల యొక్క లక్షణంగా భిన్నమైన తరమైనది ఉత్పన్నం చేసింది.
భౌతిక రోబోట్
సర్వత్తమ-పరిణామం చేసిన డిజైన్లు soft robotics పద్ధతులను ఉపయోగించి తయారు చేయబడ్డాయి — అనువర్తిత తరం కలయికలు, shape-memory alloys, మరియు pneumatic గదులు, ఇవి దృఢ రోబోట్లు చేయనిచేసే విధాలలో వక్రీభవన మరియు తిరిగి లాభ చేయగలవు. రోబోట్ శరీరం భాగం తీసివేయబడినప్పుడు, మిగిలిన నిర్మాణం యంత్రీకృత భారాన్ని దృఢ లోహ చేసిస్ కోసం అసాధ్యమైనటైన రీమెలిట్ చేయటం లో ఆ మిగిలిన మూలకాలలో పనిచేస్తుంది. నిమ్నోద్దిష్ట రోబోట్ మీద నిర్వాహణ చేసే control network, నిరంతరం సెన్సర్ల ద్వారా శరీర జుట్టూ వల మరియు అసలైన చర్యయల్డు మరియు ఆ నిర్మాణం ఉన్న దానికి భర్తీ చేయటానికి మోటారు ఆదేశాలను సర్దుబాటు చేస్తుంది.
భౌతిక పరీక్షలో, పరిశోధకులు రోబోట్ మొత్తం బాడీ ద్రవ్యరాశిలో 40 శాతం వరకు తీసివేసారు — చేతులను కత్తిరించారు, యాక్చువేటెడ్ భాగాలను తీసివేసారు, గాలి గదులను చిందారు — మరియు యంత్రం కదలటం మరియు నావిగేట్ చేయటం కొనసాగించటను గమనించారు. దాని కదలిక విధానం ర్యాడికల్గా మార్పు నిర్ణయించారు, కొన్నిసార్లు నడిచే నమూనా నుండి క్రాల్లేదా రోలింగ్ చలనానికి మార్పు చేసాయి, కానీ ఇది ఆపటానికి ఆసక్తి చేయలేదు. ఆ ప్రవర్తన లిపిబద్ధం చేయబడిన లేదు; ఇది చేతులు చేసిన neural network యొక్క సామర్థ్యం నుండి ఉద్భవించింది, ఏకపక్ష బాడీ ఆకృతులకు సాధారణీకరణ చేయటానికి.
అధిక ప్రమాదాల పరిసరాలలో అనువర్తనాలు
నిజ-ప్రపంచ నియోజకవర్గానికి సూచనలు ముఖ్యమైనవి. పతన భవన పరిసరాలలో పనిచేసే శోధన-మరియు-రక్షణ రోబోట్లు నియమితంగా వ్యర్థ ప్రభావాలు, తీక్ష్ణ అంచులు, మరియు యాంత్రిక పీడనను ఎదుర్కొంటుంది, ఇవి సాధారణ ప్ల్యాట్ఫార్మ్లను దెబ్బ కొటాటాయి. సైనిక రోబోట్లు సంఘర్షణ జోన్లలో మోహరించిన సరిగా మరీ పెద్ద నష్టం దృశ్యాలకు ఎదుర్కొంటుంది. గ్రహ అన్వేషణ వాహనాలు నెలల వ్యవధిలో లేదా సంవత్సరాలు నిర్వహించాలి, ఏ సంవర్తన లేదా మరమ్మత్తు సాధ్యత లేకుండా.
రోబోట్ నిరోధకతకు ప్రస్తుత విధానాలు సాధారణంగా నకిలీ యాంత్రిక భాగాలను కలిగి ఉంటాయి — బరువు, ఖర్చు, మరియు సంక్లిష్టతను జోడించడం — లేదా మాడ్యులర్ డిజైన్ల నష్టం తరువాత స్వయం-కుంభాకార చేయగలవు, ఇది రుચిభరితమైన డాకింగ్ యంత్రాలను సూచిస్తుంది మరియు విఫలత పాయింట్ల నిర్ణయించటం జోడించారు. పరిణామం విధానం ఈ బహుముఖ భాවనలను పక్క నుండి నిర్ణయించటం ద్వారా నిరోధకతను నిర్మాణ డిజైన్లోనికే కాకుండా శీర్ష నుండి కొట్టవాటానికి బదిలీ చేయటం ఫలితాలు నిషేధం.
మార్ఫోలాజికల్ ఇంటెలిజెన్స్ వైపుకు
పరిశోధన కూడా robotics లో ఒక విస్తృత తాత్త్విక మార్పను అభివృద్ధి చేస్తుంది morphological computation అని పిలువబడేది — ఇంటెలిజెన్స్ నియంత్రణ వ్యవస్థ యొక్క ఏకైక సంపత్తి కాని కానీ రోబోట్ భౌతిక రూపం అంతటా విస్తరించిన ఆలోచనను. ఒక శరీర ఆకారం, ఇది సహజంగా ఫోర్స్లను దిశాపోల్చి, ప్రభావాలను గ్రహించి, ఒత్తిడిలో నిర్మాణ సమగ్రతను నిర్వహిస్తుంది, ఎటిపిక్ కమ్యూటేషనల్ పని చేస్తుంది, ఇది ఇతర రకం కంప్యూటిన్ బ్రెన్ఫుల్విధానాన్ని హ్యాండిల్ చేయవలసిన ఉంటుంది. పరిణామం రోబోట్లు కూడా నిరీక్షిత కాకుండా; ఇవి అవి ఎదుర్కొనే సమస్యలకు సరిగా ఆకారం కలిగి ఉంటాయి.
భవిష్యత్ రోబోట్ల మరింత సంక్లిష్ట కర్తవ్యాలు మరియు పెద్ద బాడీ ప్లాన్లకు పరిణామ విధానాన్ని విస్తరించటానికి, అలాగే నష్టం రోబోట్లు నిజ సమయంలో సక్రియ నష్టానికి తరువాత ఆటోనోమస్గా జీవితం నేర్చుకుంటాయని చేసిన పరిశోధన విస్తరించటానికి ఫోకస్ పెడుతుంది — సిర్ఫ నష్టం పరిణామం సమయంలో ఊహించారు, కానీ భవిష్యత్లో కొత్త భర్తీ వ్యూహాలను కనుక్కోవటం చేసాయి. ఉద్భవించిన తరం-సన్నిహితమైన AI తో సమ్మిళితమై, రోబోట్ల యొక్క సంభావ్యత, ఉద్దేశ్య నిరీక్షణ ఇష్టపడటానికి నిజంగా సమస్యకరమైనవిని ఆటోనోమస్ యంత్రాల యొక్క ఆచరణ చేస్తూ కష్టసాధ్యమైన పరిసరాలలో, ఒక సారవంతమైన అభివృద్ధిని సూచిస్తుంది.
ఈ ఆర్టికల్ New Atlas ఆధారంగా సమాచారం. ఆరంభ ఆర్టికల్ను చదువండి.
Originally published on newatlas.com