Trumpas atsakymas: robotai naudoja dirbtinį intelektą (DI), kad galėtų vykdyti nuolatinį jutimo, supratimo, planavimo, veikimo ir mokymosi ciklą, kad galėtų saugiai judėti ir dirbti netvarkingoje, besikeičiančioje aplinkoje. Kai jutikliai pradeda triukšmauti arba sumažėja pasitikėjimas, gerai suprojektuotos sistemos sulėtina greitį, saugiai sustoja arba prašo pagalbos, o ne spėlioja.
Svarbiausios išvados:
Autonomijos ciklas : kurkite sistemas, pagrįstas pojūčiais, supratimu, planavimu, veikimu ir mokymusi, o ne vienu modeliu.
Tvirtumas : dizainas, atsižvelgiant į akinimą, netvarką, slydimą ir nenuspėjamą žmonių judėjimą.
Neapibrėžtumas : išveskite pasitikėjimą ir panaudokite jį saugesniam, konservatyvesniam elgesiui skatinti.
Saugos žurnalai : Įrašykite veiksmus ir kontekstą, kad gedimus būtų galima patikrinti ir ištaisyti.
Hibridinis stekas : patikimumui užtikrinti derinkite mašininį mokymąsi su fizikos apribojimais ir klasikiniu valdymu.
Žemiau pateikiama apžvalga, kaip dirbtinis intelektas pasireiškia robotų viduje, kad jie veiktų efektyviai.
Straipsniai, kuriuos galbūt norėsite perskaityti po šio:
🔗 Kai Elono Musko robotai kelia grėsmę darbo vietoms
Ką galėtų padaryti „Tesla“ robotai ir kokie vaidmenys gali pasikeisti.
🔗 Kas yra humanoidinis robotas DI
Sužinokite, kaip humanoidiniai robotai suvokia, juda ir vykdo instrukcijas.
🔗 Kokias darbo vietas pakeis dirbtinis intelektas
Pareigos, labiausiai veikiamos automatizavimo, ir įgūdžiai, kurie išlieka vertingi.
🔗 Dirbtinio intelekto darbai ir būsimos karjeros galimybės
Šiandienos karjeros galimybės dirbtinio intelekto srityje ir kaip dirbtinis intelektas keičia užimtumo tendencijas.
Kaip robotai naudoja dirbtinį intelektą? Greitasis mentalinis modelis
Dauguma dirbtinio intelekto valdomų robotų atlieka tokį ciklą:
-
Jutiklis 👀: Kameros, mikrofonai, LiDAR, jėgos jutikliai, ratų enkoderiai ir kt.
-
Suprasti 🧠: Aptikti objektus, įvertinti padėtį, atpažinti situacijas, numatyti judesį.
-
Planas 🗺️: Pasirinkite tikslus, apskaičiuokite saugius kelius, suplanuokite užduotis.
-
Veiksmas 🦾: Generuokite motorines komandas, suimkite, ridenkitės, balansuokite, venkite kliūčių.
-
Mokykitės 🔁: Tobulinkite suvokimą ar elgesį remdamiesi duomenimis (kartais internete, dažnai neprisijungę).
suvokimo , būsenos įvertinimo , planavimo ir valdymo rinkinys , kuris kartu sudaro autonomiją.
Viena praktinė „lauko“ realybė: sunkiausia dalis paprastai nėra priversti robotą ką nors atlikti vieną kartą švarioje demonstracinėje versijoje – sunkiausia yra priversti jį patikimai , kai pasikeičia apšvietimas, slysta ratai, blizga grindys, pajuda lentynos, o žmonės vaikšto kaip nenuspėjami NPC.
Kas daro robotą geru dirbtinio intelekto smegenų tipu?
Tvirtas roboto dirbtinio intelekto įrenginys neturėtų būti tik išmanus – jis turėtų būti patikimas nenuspėjamoje, realioje aplinkoje.
Svarbios savybės:
-
Realaus laiko našumas ⏱️ (savalaikiškumas svarbus priimant sprendimus)
-
Atsparumas netvarkingiems duomenims (akinimas, triukšmas, netvarka, judesio suliejimas)
-
Grakštūs gedimų režimai 🧯 (sulėtinkite greitį, saugiai sustokite, paprašykite pagalbos)
-
Geri apriorai + geras mokymasis (fizika + apribojimai + mašininis mokymasis – ne tik „vibracija“)
-
Išmatuojama suvokimo kokybė 📏 (žinojimas, kada jutikliai / modeliai yra suprastėję)
Geriausi robotai dažnai ne tie, kurie gali atlikti efektingą triuką vieną kartą, o tie, kurie gali gerai atlikti nuobodžius darbus diena iš dienos.
Įprastų robotų dirbtinio intelekto statybinių blokų palyginimo lentelė
| Dirbtinio intelekto dalis / įrankis | Kam tai skirta | Brangūs | Kodėl tai veikia |
|---|---|---|---|
| Kompiuterinė rega (objektų aptikimas, segmentavimas) 👁️ | Mobilieji robotai, rankos, dronai | Vidutinis | Konvertuoja vaizdinę įvestį į tinkamus naudoti duomenis, pvz., objekto identifikavimą |
| SLAM (žemėlapių sudarymas + lokalizavimas) 🗺️ | Robotai, kurie juda | Vidutinio-aukšto | Sukuria žemėlapį sekdamas roboto padėtį, tai labai svarbu navigacijai [1] |
| Kelio planavimas + kliūčių vengimas 🚧 | Pristatymo robotai, sandėlio AMR | Vidutinis | Apskaičiuoja saugius maršrutus ir realiuoju laiku prisitaiko prie kliūčių |
| Klasikinis valdymas (PID, modeliu pagrįstas valdymas) 🎛️ | Viskas su varikliais | Žemas | Užtikrina stabilų, nuspėjamą judėjimą |
| Pastiprinimo mokymasis (RL) 🎮 | Sudėtingi įgūdžiai, manipuliavimas, judėjimas | Aukštas | Mokosi taikydama apdovanojimais pagrįstą bandymų ir klaidų politiką [3] |
| Kalba ir kalba (ASR, ketinimų studijos, LLM) 🗣️ | Asistentai, aptarnavimo robotai | Vidutinio-aukšto | Leidžia bendrauti su žmonėmis natūralia kalba |
| Anomalijų aptikimas + stebėjimas 🚨 | Gamyklos, sveikatos apsauga, saugos požiūriu kritinės | Vidutinis | Aptinka neįprastus modelius, kol jie netampa brangūs ar pavojingi |
| Jutiklių sintezė (Kalmano filtrai, išmokta sintezė) 🧩 | Navigacija, dronai, autonominiai įrenginiai | Vidutinis | Sujungia triukšmingus duomenų šaltinius, kad būtų galima tiksliau įvertinti [1] |
Suvokimas: kaip robotai neapdorotus jutiklių duomenis paverčia prasme
Suvokimas yra tai, kur robotai jutiklių srautus paverčia tuo, ką jie gali iš tikrųjų naudoti:
-
Kameros → objektų atpažinimas, pozos įvertinimas, scenos supratimas
-
LiDAR → atstumas + kliūčių geometrija
-
Gylio kameros → 3D struktūra ir laisva erdvė
-
Mikrofonai → kalbos ir garso signalai
-
Jėgos / sukimo momento jutikliai → saugesnis suėmimas ir bendradarbiavimas
-
Lytėjimo jutikliai → slydimo aptikimas, kontaktiniai įvykiai
Robotai pasikliauja dirbtiniu intelektu, kad atsakytų į tokius klausimus kaip:
-
„Kokie objektai yra priešais mane?“
-
„Ar tai žmogus, ar manekenas?“
-
„Kur yra rankena?“
-
„Ar kažkas juda link manęs?“
Subtilus, bet svarbus aspektas: suvokimo sistemos idealiu atveju turėtų pateikti neapibrėžtumą (arba pasitikėjimo rodiklį), o ne tik „taip“/„ne“ atsakymą, nes tolesnis planavimas ir saugos sprendimai priklauso nuo to, robotas yra tikras
Lokalizavimas ir žemėlapių sudarymas: žinokite, kur esate, nepanikuodami
Kad robotas tinkamai veiktų, jis turi žinoti savo vietą. Tai dažnai atliekama naudojant SLAM (sinchroninį lokalizavimą ir žemėlapių sudarymą) : žemėlapis kuriamas tuo pačiu metu įvertinant roboto padėtį. Klasikinėse formuluotėse SLAM traktuojama kaip tikimybinio vertinimo problema, kuriai būdingi EKF ir dalelių filtrais pagrįsti metodai [1].
Robotas paprastai sujungia:
-
Ratų odometrija (pagrindinis sekimas)
-
LiDAR skenavimo atitikimas arba vizualiniai orientyrai
-
IMU (sukimosi/pagreičio)
-
GPS (lauke, su apribojimais)
Robotų lokalizacija ne visada ideali, todėl geri sistemų rinkiniai elgiasi kaip suaugusieji: seka neapibrėžtumą, aptinka poslinkį ir grįžta prie saugesnio elgesio, kai sumažėja pasitikėjimas.
Planavimas ir sprendimų priėmimas: ką daryti toliau
Kai robotas susidaro veikiantį pasaulio vaizdą, jis turi nuspręsti, ką daryti. Planavimas dažnai pasireiškia dviem lygmenimis:
-
Vietinis planavimas (greitai reaguojant) ⚡
Venkite kliūčių, sulėtinkite greitį šalia žmonių, laikykitės eismo juostų / koridorių. -
Globalus planavimas (platesnis vaizdas) 🧭
Pasirinkite kelionės tikslus, apeikite užblokuotas zonas, suplanuokite užduotis.
Praktiškai robotas „Manau, matau aiškų kelią“ paverčia konkrečiomis judesio komandomis, kurios neužkliudys lentynos kampo ir neperžengs žmogaus asmeninės erdvės.
Kontrolė: planų pavertimas sklandžiu judėjimu
Valdymo sistemos suplanuotus veiksmus paverčia realiais judesiais, tuo pačiu spręsdamos realius nepatogumus, tokius kaip:
-
Trintis
-
Naudingojo krovinio pokyčiai
-
Gravitacija
-
Variklio vėlavimai ir atotrūkis
Įprasti įrankiai apima PID , modeliu pagrįstą valdymą , modelio nuspėjamąjį valdymą ir atvirkštinę rankų kinematiką, t. y. matematinius skaičiavimus, kurie „padėkite griebtuvą ten “ paverčia sąnarių judesiais. [2]
Naudingas būdas tai apsvarstyti:
planavimas pasirenka kelią.
Valdymas priverčia robotą iš tikrųjų juo sekti nesvyruodamas, neperšokdamas ir nevibruodamas kaip kofeino prisotintas pirkinių vežimėlis.
Mokymasis: kaip robotai tobulėja, užuot buvę visam laikui perprogramuoti
Robotai gali tobulėti mokydamiesi iš duomenų, o ne būdami rankiniu būdu perderinami po kiekvieno aplinkos pasikeitimo.
Pagrindiniai mokymosi metodai:
-
Prižiūrimas mokymasis 📚: mokykitės iš paženklintų pavyzdžių (pvz., „tai yra padėklas“).
-
Savarankiškai prižiūrimas mokymasis 🔍: mokykitės struktūros iš neapdorotų duomenų (pvz., numatydami būsimus kadrus).
-
Pastiprinimo mokymasis 🎯: Išmokite veiksmų maksimaliai padidindami atlygio signalus laikui bėgant (dažnai tai siejama su veiksniais, aplinka ir grąža). [3]
Kur RL sužiba: sudėtingo elgesio mokymasis ten, kur rankiniu būdu projektuoti valdiklį yra sunku.
Kur RL tampa aštresnis: duomenų efektyvumas, saugumas tyrinėjimo metu ir simuliacinio bei realaus pasaulio spragos.
Žmogaus ir roboto sąveika: dirbtinis intelektas, padedantis robotams dirbti su žmonėmis
Robotams namuose ar darbo vietose sąveika yra svarbi. Dirbtinis intelektas leidžia:
-
Kalbos atpažinimas (garsas → žodžiai)
-
Ketinimo aptikimas (žodžiai → reikšmė)
-
Gestų supratimas (rodymas, kūno kalba)
Tai skamba paprastai, kol to nepadarai: žmonės yra nenuoseklūs, akcentai skiriasi, kambariai triukšmingi, o „ten“ nėra koordinačių sistema.
Pasitikėjimas, saugumas ir „nebūk šiurpus“: mažiau smagi, bet esminė dalis
Robotai yra dirbtinio intelekto sistemos, turinčios fizinių pasekmių , todėl pasitikėjimas ir saugos praktika negali būti antraeiliai dalykai.
Praktiniai saugos pastoliai dažnai apima:
-
Pasitikėjimo / neapibrėžtumo stebėjimas
-
Konservatyvus elgesys, kai suvokimas blogėja
-
Derinimo ir audito veiksmų registravimas
-
Aiškios ribos, ką robotas gali padaryti
Naudingas aukšto lygio būdas tai apibrėžti yra rizikos valdymas: valdymas, rizikos žemėlapių sudarymas, jos matavimas ir valdymas per visą gyvavimo ciklą, atsižvelgiant į tai, kaip NIST plačiau struktūrizuoja dirbtinio intelekto rizikos valdymą [4]
„Didžiojo modelio“ tendencija: robotai, naudojantys pamatinius modelius
Pamatiniai modeliai skatina bendresnės paskirties robotų elgesį, ypač kai kalba, regėjimas ir veiksmai modeliuojami kartu.
Vienas iš pavyzdžių yra regėjimo-kalbos-veiksmo (VLA) modeliai, kai sistema apmokyta susieti tai, ką mato, su tuo, kas jai liepta daryti, ir su tuo, kokių veiksmų ji turėtų imtis. RT-2 yra plačiai cituojamas šio požiūrio pavyzdys. [5]
Įdomiausia dalis: lankstesnis, aukštesnio lygio supratimas.
Tikrovės patikrinimas: fizinio pasaulio patikimumui vis dar reikalingi apsauginiai turėklai – klasikinis vertinimas, saugos apribojimai ir konservatyvus valdymas niekur nedingsta vien dėl to, kad robotas gali „kalbėti protingai“.
Baigiamosios pastabos
Taigi, kaip robotai naudoja dirbtinį intelektą? Robotai naudoja dirbtinį intelektą suvokimui , būsenai (kur aš esu?) įvertinti , planuoti ir valdyti , o kartais ir mokymuisi iš duomenų, kad tobulėtų. Dirbtinis intelektas leidžia robotams susidoroti su sudėtingomis dinamiškomis aplinkomis, tačiau sėkmė priklauso nuo patikimų, išmatuojamų sistemų, kurių elgsena yra pirmiausia saugumas.
DUK
Kaip robotai naudoja dirbtinį intelektą, kad galėtų veikti autonomiškai?
Robotai naudoja dirbtinį intelektą, kad galėtų vykdyti nuolatinį autonomijos ciklą: suvokti pasaulį, interpretuoti, kas vyksta, planuoti saugų kitą žingsnį, veikti varikliais ir mokytis iš duomenų. Praktiškai tai yra komponentų rinkinys, veikiantis kartu, o ne vienas „stebuklingas“ modelis. Tikslas – patikimas elgesys besikeičiančioje aplinkoje, o ne vienkartinis demonstracinis pavyzdys idealiomis sąlygomis.
Ar robotų dirbtinis intelektas yra tik vienas modelis, ar visiškai autonomiškas rinkinys?
Daugumoje sistemų robotų dirbtinis intelektas yra visavertis komponentas: suvokimas, būsenos įvertinimas, planavimas ir valdymas. Mašininis mokymasis padeda atlikti tokias užduotis kaip regėjimas ir prognozavimas, o fizikos apribojimai ir klasikinis valdymas užtikrina judesio stabilumą ir nuspėjamumą. Daugelyje realių diegimų naudojamas hibridinis metodas, nes patikimumas yra svarbesnis už sumanumą. Štai kodėl mokymasis „tik vibracijomis“ retai išlieka už kontroliuojamos aplinkos ribų.
Kokiais jutikliais ir suvokimo modeliais remiasi dirbtinio intelekto robotai?
Dirbtinio intelekto robotai dažnai derina kameras, LiDAR, gylio jutiklius, mikrofonus, inercijos modulius (IMU), kodavimo įrenginius ir jėgos / sukimo momento arba lytėjimo jutiklius. Suvokimo modeliai šiuos srautus paverčia naudingais signalais, tokiais kaip objekto tapatybė, poza, laisva erdvė ir judesio užuominos. Geriausia praktinė praktika yra išvesti patikimumą arba neapibrėžtumą, o ne tik žymas. Šis neapibrėžtumas gali padėti saugiau planuoti, kai jutikliai pablogėja dėl akinimo, suliejimo ar netvarkos.
Kas yra SLAM robotikoje ir kodėl jis svarbus?
SLAM (sinchroninis lokalizavimas ir žemėlapių sudarymas) padeda robotui sukurti žemėlapį ir tuo pačiu metu įvertinti savo padėtį. Tai labai svarbu robotams, kurie juda ir turi orientuotis nepanikuodami, kai keičiasi sąlygos. Įprasti įvesties duomenys apima ratų odometriją, IMU ir LiDAR arba regėjimo orientyrus, kartais GPS lauke. Geri stebėjimo stemai apskaičiuoja trajektorijos poslinkį ir neapibrėžtumą, todėl robotas gali elgtis konservatyviau, kai lokalizacija tampa nestabili.
Kuo skiriasi robotų planavimas ir robotų valdymas?
Planavimas nusprendžia, ką robotas turėtų daryti toliau, pavyzdžiui, pasirinkti paskirties vietą, apeiti kliūtis ar išvengti žmonių. Valdymas paverčia šį planą sklandžiu, stabiliu judėjimu, nepaisant trinties, naudingosios apkrovos pokyčių ir variklio vėlavimų. Planavimas dažnai skirstomas į globalų planavimą (bendro vaizdo maršrutai) ir vietinį planavimą (greiti refleksai šalia kliūčių). Valdymas dažniausiai naudoja tokius įrankius kaip PID, modeliu pagrįstas valdymas arba modelio nuspėjamasis valdymas, kad būtų galima patikimai laikytis plano.
Kaip robotai saugiai susidoroja su neapibrėžtumu ar žemu pasitikėjimu savimi?
Gerai suprojektuoti robotai neapibrėžtumą traktuoja kaip elgesio įvestį, o ne kaip kažką, į ką galima numoti ranka. Kai suvokimo ar lokalizacijos pasitikėjimas sumažėja, įprastas būdas yra sulėtinti greitį, padidinti saugos ribas, saugiai sustoti arba prašyti žmogaus pagalbos, o ne spėlioti. Sistemos taip pat registruoja veiksmus ir kontekstą, kad incidentus būtų galima audituoti ir lengviau ištaisyti. Šis „grakštaus gedimo“ mąstysenos modelis yra pagrindinis skirtumas tarp demonstracinių ir dislokuojamų robotų.
Kada sustiprinimo mokymasis yra naudingas robotams, o kas jį apsunkina?
Pastiprinimo mokymasis dažnai naudojamas sudėtingiems įgūdžiams, tokiems kaip manipuliavimas ar judėjimas, kai rankiniu būdu sunku konstruoti valdiklį. Jis gali padėti atrasti veiksmingą elgesį taikant apdovanojimais pagrįstą bandymų ir klaidų metodą, dažnai modeliavimo metu. Diegimas tampa sudėtingas, nes tyrinėjimas gali būti nesaugus, duomenys gali būti brangūs, o simuliacijos ir realybės spragos gali pažeisti taisykles. Daugelyje konvejerių RL naudojamas selektyviai kartu su apribojimais ir klasikiniu valdymu, siekiant saugumo ir stabilumo.
Ar pamatiniai modeliai keičia tai, kaip robotai naudoja dirbtinį intelektą?
Pagrindinių modelių metodai skatina robotus link bendresnio, nurodymais pagrįsto elgesio, ypač naudojant regėjimo, kalbos ir veiksmo (VLA) modelius, tokius kaip RT-2 stiliaus sistemos. Privalumas yra lankstumas: tai, ką robotas mato, galima susieti su tuo, kas jam liepta daryti ir kaip jis turėtų elgtis. Realybė tokia, kad klasikinis vertinimas, saugos apribojimai ir konservatyvi kontrolė vis dar svarbūs fiziniam patikimumui. Daugelis komandų tai apibūdina kaip gyvavimo ciklo rizikos valdymą, panašiai kaip tokios sistemos kaip NIST dirbtinio intelekto RMF.
Nuorodos
[1] Durrant-Whyte ir Bailey –
Vienalaikis lokalizavimas ir žemėlapių sudarymas (SLAM): I dalis. Esminiai algoritmai (PDF) [2] Lynch ir Park –
Šiuolaikinė robotika: mechanika, planavimas ir valdymas (PDF versija) [3] Sutton ir Barto –
Pastiprinamasis mokymasis: įvadas (2-ojo leidimo PDF juodraštis) [4] NIST –
Dirbtinio intelekto rizikos valdymo sistema (AI RMF 1.0) (PDF) [5] Brohan ir kt. – RT-2: Regėjimo, kalbos ir veiksmų modeliai perkelia žiniatinklio žinias į robotų valdymą (arXiv)