«Γνώθι σαυτόν» για ρομπότ
Τα περισσότερα ρομπότ που χρησιμοποιούνται σήμερα λειτουργούν σε συγκεκριμένα, ελεγχόμενα περιβάλλοντα, και κάνουν πολύ συγκεκριμένες εργασίες.
Εάν θέλουν να αναλάβουν πιο σύνθετες λειτουργίες, μέσα σε πιο δυναμικά, ρευστά περιβάλλοντα (όπως ένα σπίτι), θα πρέπει να μπορούν να καταλαβαίνουν τι δεν ξέρουν, και να φροντίζουν να το μάθουν, όπως επισημαίνει η Λέσλι Πακ Κέλμπλινγκ, κάτοχος της έδρας Panasonic στο τμήμα Επιστήμης Υπολογιστών και Μηχανολογίας του ΜΙΤ.
Ένα ρομπότ δεν είναι σε θέση να κοιτάξει γύρω του στην κουζίνα και να καταλάβει πού βρίσκονται τα υλικά που θα χρησιμοποιηθούν για το μαγείρεμα ενός δείπνου. Για να το κάνει αυτό, πρέπει να αρχίσει να ανοίγει ντουλάπια ή να κάνει ερωτήσεις.
«Θα ήθελα να φτιάξω ένα ρομπότ που θα μπορεί να μπει σε μια κουζίνα για πρώτη φορά, αλλά επειδή έχει βρεθεί πριν σε άλλες κουζίνες, μπορεί να βάλει τα ψώνια στις θέσεις τους» λέει σχετικά η Κέλμπλινγκ.
Σε μελέτη που έγινε πρόσφατα δεκτή προς δημοσίευση στο International Journal of Robotics Research, αυτή και ο Τόμας Λοτσάνο-Περέζ, συνάδελφός της στο CSAIL, περιγράφουν ένα σύστημα που θα κάνει ακριβώς αυτό, υπολογίζοντας συνεχώς τα «επίπεδα αβεβαιότητας» του ρομπότ σχετικά με μία εργασία, που περιλαμβάνουν παράγοντες όπως η θέση ενός αντικειμένου ή του ίδιου του ρομπότ σε ένα χώρο.
Βασικό τμήμα της όλης ιδέας είναι το αποκαλούμενο «εξάρτημα υπολογισμού κατάστασης» (state estimation component), που υπολογίζει την πιθανότητα ένα αντικείμενο να βρίσκεται εκεί που το ρομπότ νομίζει ότι βρίσκεται.
«Θα ήθελα να φτιάξω ένα ρομπότ που θα μπορεί να μπει σε μια κουζίνα για πρώτη φορά, αλλά επειδή έχει βρεθεί πριν σε άλλες κουζίνες, μπορεί να βάλει τα ψώνια στις θέσεις τους» λέει σχετικά η Κέλμπλινγκ.
Σε μελέτη που έγινε πρόσφατα δεκτή προς δημοσίευση στο International Journal of Robotics Research, αυτή και ο Τόμας Λοτσάνο-Περέζ, συνάδελφός της στο CSAIL, περιγράφουν ένα σύστημα που θα κάνει ακριβώς αυτό, υπολογίζοντας συνεχώς τα «επίπεδα αβεβαιότητας» του ρομπότ σχετικά με μία εργασία, που περιλαμβάνουν παράγοντες όπως η θέση ενός αντικειμένου ή του ίδιου του ρομπότ σε ένα χώρο.
Βασικό τμήμα της όλης ιδέας είναι το αποκαλούμενο «εξάρτημα υπολογισμού κατάστασης» (state estimation component), που υπολογίζει την πιθανότητα ένα αντικείμενο να βρίσκεται εκεί που το ρομπότ νομίζει ότι βρίσκεται.
Με αυτό τον τρόπο, εάν το ρομπότ δεν είναι επαρκώς βέβαιο για μια δραστηριότητα (για παράδειγμα, εάν ένα αντικείμενο είναι το αντικείμενο που αναζητεί), τότε «καταλαβαίνει» πως πρέπει να συλλέξει επιπλέον πληροφορίες πριν ενεργήσει- εξετάζοντας, για παράδειγμα, καλύτερα το επίμαχο αντικείμενο.
Κατά την Κέλμπλινγκ, το σύστημα αυτό εξετάζει συνεχώς τις «αντιλήψεις» του για τον κόσμο, και πώς θα τις αλλάξει, μέσω ενεργειών που είτε συλλέγουν περισσότερες πληροφορίες είτε αλλάζουν την κατάσταση του κόσμου/ περιβάλλοντος.
Επίσης, το σύστημα απλοποιεί τη διαδικασία ανάπτυξης στρατηγικής για απλές εργασίες, καθώς καταστρώνει τα σχέδιά του «ένα βήμα τη φορά», ανάλογα με τα δεδομένα που έχει μπροστά του κάθε στιγμή (ιεραρχικός σχεδιασμός προγράμματος).
Αντί να καταστρώνει ένα μεγάλο, «βέλτιστο δυνατό» σχέδιο (ιδέα που φαίνεται να κυριαρχεί πάνω στην έρευνα τεχνητής νοημοσύνης), κάνει ένα σχέδιο για το «πρώτο επίπεδο» της εργασίας και αρχίζει την εκτέλεσή του πριν προχωρήσει στο επόμενο- αντί για ένα «μεγάλο σχέδιο» (που απαιτεί μεγάλη υπολογιστική ισχύ), κάνει πολλά μικρά.
Η συγκεκριμένη προσέγγιση ενδείκνυται για ρομπότ που εισέρχονται σε νέα περιβάλλοντα και δραστηριότητες, για τα οποία δεν έχουν επαρκείς πληροφορίες ώστε να μπορέσουν να φτιάξουν «γενικό» σχέδιο/ προγραμματισμό.
Το τελικό αποτέλεσμα ενός τέτοιο συστήματος θα είναι πιο ικανά/ευέλικτα ρομπότ, που θα μπορούν να κάνουν πιο σύνθετες εργασίες υπό πιο «ανοικτές»/ ρεαλιστικές συνθήκες (από βιομηχανικές εφαρμογές και οικιακές εργασίες, μέχρι αντιμετώπιση καταστροφών)- ακόμα και αν, στην αρχή, θεωρείται πως τα εν λόγω ρομπότ θα κάνουν διάφορα λάθη μέχρι να «μάθουν».
