Роботите възприемат света около тях много по-различно от начина, по който го правят хората.

Когато вървим по улицата, знаем на какво трябва да обърнем внимание – преминаващи коли, потенциални опасности, препятствия по пътя ни, но знаем и кое не е чак толкова важно, например останалите пешеходци, които виждаме в далечината.

Роботите, от друга страна, се отнасят с еднакво внимание към цялата информация, която получават за заобикалящата ги среда. Безпилотните автомобили, например, трябва непрекъснато да анализират данни за ситуацията около тях, независимо дали те са ключови или не. Това осигурява безопасността на шофьорите и пешеходците, но изисква много енергия и изчислителна мощност. 

Какво би станало, ако има начин да се намали количеството обработвани данни чрез обучение на роботите за това на какво трябва да дадат приоритет и какво спокойно могат да игнорират?

Това е принципът, който е в основата на „мързеливата роботика“ - област на изследване, подкрепяна от Рене ван де Моленграфт, професор в Технологичния университет в Айндховен, Нидерландия.

Той вярва, че обучението на всички видове роботи да бъдат „по-мързеливи“ по отношение на данните може да проправи пътя към създаването на машини, които са по-добри във взаимодействието с реалната среда, включително и с хората. 

По същество, колкото по-ефективен може да бъде един робот с информацията, която получава, толкова по-добре.

Мързеливата роботика на ван де Моленграфт е само един подход, който изследователите и компаниите предприемат, докато обучават своите роботи да изпълняват действия успешно, гъвкаво и по възможно най-ефективния начин.

Целта е те да бъдат по-умни, когато пресяват данните, които събират, и след това да премахват приоритетите на всичко, което е безопасно да се пренебрегне. Това ще им помогне да станат по-безопасни и по-надеждни, което е една от дългогодишните цел на общността, свързана с роботиката.

"Опростяването на задачите по този начин е необходимо, ако искаме роботите да станат по-широко възприети, тъй като сегашното потребление на енергия няма да се увеличи - би било прекалено скъпо и вредно за околната среда. Мисля, че най-добрият робот е мързеливият робот. Те трябва да са мързеливи по подразбиране, точно както сме ние", казва Рене ван де Моленграфт, цитиран от MIT Technology Review. 

Как един робот може да се научи да бъде мързелив футболист?

Ван де Моленграфт е намерил забавен начин да изпробва своите усилия - обучение на роботи да играят футбол. Наскоро той извежда "автономния" футболен отбор на своя университет Tech United до победа в RoboCup - годишно международно състезание по роботика и AI, което тества уменията на роботите на футболното игрище.

Футболът е трудно предизвикателство за роботите, тъй като както отбелязването, така и блокирането на голове изискват бързи, контролирани движения, стратегически решения и координация.

Ако се научат да се съсредоточават и да настройват разсейващите фактори около тях, както правят най-добрите футболисти, роботите ще станат не само по-енергийно ефективни, но и по-успешни във взимането на интелигентни решения в динамични, бързо развиващи се ситуации.

Роботите на Tech United използват няколко „мързеливи“ тактики, за да получат предимство пред опонентите си в RoboCup. Един такъв подход включва създаването на „модел на света“ на футболното игрище, който идентифицира и начертава неговото оформление и маркировки на линиите – неща, които остават едни и същи по време на играта. 

Това освобождава работещите с батерии роботи от непрекъснато сканиране на заобикалящата ги среда, което би изразходвало ценна енергия. Всеки робот също така споделя какво е заснела неговата камера с четиримата си съотборници, създавайки по-широк изглед на терена, чрез който може да следи бързо движещата се топка.

Преди това роботите се нуждаели от точна, предварително кодирана траектория, за да се движат по терена. Сега ван де Моленграфт и неговият екип експериментират с това да ги накарат да изберат свои собствени пътища до определена дестинация.

Това спестява енергията, необходима за проследяване на конкретното пътуване и помага на роботите да се справят с препятствията, които могат да срещнат по пътя си.

Групата също така успешно научава отбора да изпълнява т. нар. "проникващи" или "извеждащи" пасове, при които играчът праща топката към свободен участък в полето и комуникира с най-добре позиционирания член на отбора, който да получи подаването.

Роботите изучават и умения, като получаване или подаване на топката в триъгълни конфигурации и други. Даването на достъп на роботите до световни модели, изградени с помощта на данни от заобикалящата среда, им позволява да изпълняват уменията си навсякъде на терена, а не само на определени места. 

Отвъд футболното игрище

Футболът е забавен начин да се тества колко успешни са тези методи на роботиката, но други изследователи също работят върху проблема с ефективността.

Усъвършенстването на роботите, които работят в складове, приоритизирайки различните входни данни, е от съществено значение, за да се гарантира, че те могат да работят безопасно около хора и да се разчита на тях за изпълнение на важни задачи. 

"Ако машините не могат да се справят с това, компаниите могат да се окажат със забавена доставка, повредени стоки и дори ранени работници", казва Крис Уолти, бивш ръководител на подразделението за роботика на Tesla.

Уолти напуска компанията, за да създаде своя собствена фирма, след като става свидетел колко голямо предизвикателство е да накараш роботите просто да пренасят материали.

Неговият стартъп Mytra проектира напълно автономни машини, които използват компютърно зрение и AI система за подсилване на обучението, за да им даде информация за други роботи, които са най-близо до тях, и да им помогне да разсъждават и да си сътрудничат, за да изпълняват задачи (като преместване на счупен палет) по възможно най-ефективния начин.

По-голямата част от мобилните роботи в складовете днес се управляват от един централен „мозък“, който диктува пътищата, които следват, което означава, че роботът трябва да чака инструкции, преди да може да направи нещо.

Този подход не само е труден за мащабиране, но и консумира много централна изчислителна мощност, и изисква много надеждни комуникационни връзки.

Mytra твърди, че разполага със значително по-ефективен подход, който признава, че всъщност не е необходимо отделните роботи да знаят какво правят стотиците техни "колеги" от другата страна на склада.

Системата за машинно обучение намалява тези ненужни данни и изчислителната мощност, необходима за обработката им, като симулира оптималния маршрут, който всеки робот може да измине през склада, за да изпълни задачата си. Това им позволява да действат много по-автономно.

"В контекста на футбола, ефективността ви позволява да вкарвате повече голове. В контекста на производството, ефективността е още по-важна, защото това означава, че системата работи по-надеждно. Предоставяйки на роботите способността да действат и мислят автономно и ефективно, вие също оптимизирате ефективността и надеждността на по-широката операция“, казва той.

Въпреки че опростяването на типовете информация, които роботите трябва да обработват, е голямо предизвикателство, вече има доста обещаващи технологични пробиви, казва Даниел Полани, професор от университета в Хертфордшър в Обединеното кралство, който е специализиран в възпроизвеждането на биологични процеси в изкуствени системи.

Той също е фен на предизвикателството RoboCup и ръководи роботизирания футболен отбор Bold Hearts на своя университет, който стига до втория кръг на тазгодишната хуманоидна лига.

"Организмите се опитват да не обработват информация, която не им е необходима, защото тази обработка е много скъпа по отношение на метаболитната енергия“, казва Полани.

Той се интересува от прилагането на тези уроци от биологията към огромните мрежи, които захранват роботите, за да ги направят по-ефективни при обработването на тяхната информация. 

"Намаляването на количеството данни, които един робот може да обработва, просто ще го направи по-слаб в зависимост от естеството на задачата, която му е възложена. Вместо това те трябва да се научат да използват данните, които имат, по по-интелигентни начини", смята още ученият. 

Опростяване на софтуера

Amazon, която има повече от 750 000 робота (най-голямата флотилия в света), също се интересува от използването на AI, който да им помогне на машините да вземат по-интелигентни, по-безопасни и по-ефективни решения.

Роботите на компанията попадат най-вече в две категории - мобилни роботи, които преместват стоки, и роботизирани ръце, предназначени да боравят с предмети. 

Системите с изкуствен интелект, които захранват тези машини, събират милиони масиви от данни всеки ден, за да ги обучат да изпълняват задачите си.

Например, те трябва да научат кой предмет да хващат и да преместват от купчината или как безопасно да избягват живите работници. Тези процеси изискват много изчислителна мощност, която новите технологии могат да минимизират. 

Като цяло, роботизираните ръце и подобни „манипулационни“ роботи използват машинно обучение, за да разберат как да идентифицират обектите. След това следват твърдо кодирани правила или алгоритми, за да решат как да действат.

С генеративния AI същите тези роботи могат да предвидят резултата от дадено действие, преди дори да го опитат, така че те могат да изберат действието, което е най-вероятно да успее, или да определят най-добрия възможен подход за хващане на обект, който трябва да бъде преместен.

Тези системи за обучение са много по-мащабируеми от традиционните методи за обучение на роботи, а комбинацията от генеративен AI и масивни набори от данни помага за рационализиране на последователността на задачата и премахване на ненужния анализ. Това е мястото, където идва и спестяването на изчислителна мощност.

"Можем да опростим софтуера, като поискаме от моделите да правят повече. Ние навлизаме във фаза, в която фундаментално преосмисляме как изграждаме автономност за нашите роботизирани системи“, твърди Майкъл Улф, главен учен в Amazon Robotics.

Тазгодишното състезание RoboCup вече приключи, но ван де Моленграфт няма намерение да лежи на старите си лаври след огромния успех на неговия отбор. 

"Във всеки от роботите все още се извършват много изчислителни дейности, които сами по себе си не са необходими във всеки един момент“, казва експертът, който вече започва работа по нови начини да направи своя роботизиран екип "още по-мързелив", за да спечели предимство пред своите съперници през следващата година.

Въпреки че настоящите роботи все още не са в състояние да достигнат енергийната ефективност на хората, той е оптимист, че изследованията ще продължат да напредват и че ще започнем да виждаме много повече "мързеливи" роботи, които са по-добри в работата си. Това обаче няма да стане бързо. 

"Повишаването на осведомеността и разбирането на нашите роботи, така че те да могат да изпълняват по-добре задачите си, било то игра на футбол или всяка друга задача, в среда, създадена от човека – това е непрекъсната работа в развитие“, казва той.

Новините на Darik Business Review във Facebook , Instagram , LinkedIn и Twitter !