دانشمندان آمریکایی به نظر می‌رسد برای اولین بار، برنامه درسی‌ای برای ربات‌ها ابداع کرده‌اند که انتقال مهارت بین ماشین‌ها را بدون دخالت انسان میسر می‌سازد.

## چالش انتقال مهارت بین ربات‌ها و راه‌حل جدید دانشگاه برکلی

یکی از موانع اصلی در پیشرفت رباتیک، آموزش و انتقال مهارت‌ها بین ربات‌های مختلف است. روش‌های سنتی آموزش ربات‌ها نیازمند داده‌های حجیم و آموزش اختصاصی برای هر مدل هستند. این فرایند زمان‌بر و پرهزینه بوده و مانع از گسترش کاربرد ربات‌ها می‌شود.

محققان دانشگاه برکلی با ارائه چارچوب نوینی به نام RoVi-Aug به این مشکل پرداخته‌اند. این چارچوب با استفاده از مدل‌های پیشرفته انتشار (diffusion models)، داده‌های رباتیک را گسترش داده و انتقال مهارت را تسهیل می‌کند. به جای تکیه صرف بر آموزش‌های دستی و زمان‌بر، RoVi-Aug از طریق تولید داده‌های مصنوعی، این محدودیت را برطرف می‌سازد.

## غلبه بر محدودیت‌های داده‌های موجود

یکی از مشکلات اصلی در آموزش ربات‌ها، عدم تعادل در داده‌های موجود است. برخی از انواع ربات‌ها، مانند بازوهای مکانیکی Franka و xArm، در مجموعه داده‌های موجود بیش از حد نمایندگی می‌شوند. این موضوع، تعمیم مهارت‌های آموخته شده به سایر ربات‌ها را دشوار می‌سازد.

RoVi-Aug با تولید شبیه‌سازی‌های بصری متنوع از انواع مختلف ربات‌ها و زوایای دوربین، این مشکل را حل می‌کند. این چارچوب شامل دو بخش اصلی است: ماژول افزایش ربات (Ro-Aug) و ماژول افزایش دیدگاه (Vi-Aug). ماژول Ro-Aug نمایش‌هایی با ربات‌های مختلف ایجاد می‌کند، در حالی که ماژول Vi-Aug نمایش‌هایی از زوایای دوربین گوناگون تولید می‌کند. نتیجه، مجموعه‌ای از داده‌های غنی‌تر و متنوع‌تر برای آموزش ربات‌هاست که انتقال مهارت بین مدل‌ها و وظایف مختلف را بهینه می‌کند.

این پیشرفت، الهام گرفته از قابلیت تعمیم‌پذیری بالای مدل‌های یادگیری ماشین مدرن، به ویژه مدل‌های مولد، است. محققان بر این باورند که رویکرد RoVi-Aug می‌تواند انقلابی در نحوه آموزش و به‌کارگیری ربات‌ها ایجاد کند و راه را برای ربات‌های انعطاف‌پذیرتر و با قابلیت‌های بیشتر هموار سازد.

مجله خبری تکنولوژی و موبایل