Όπως ή όχι, περιβάλλεται από ρομπότ. Χιλιάδες Αμερικανοί πηγαίνουν να δουλέψουν αυτές τις μέρες σε αυτοκίνητα που λίγο πολύ οδηγούν τους εαυτούς τους. Οι ηλεκτρικές σκούπες απομακρύνονται γύρω από τα σαλόνια μας από μόνες τους. Quadcopter drones αυτόματα φερμουάρ πάνω αγροτικών πεδίων, λαμβάνοντας αεροπορικές έρευνες που βοηθούν τους αγρότες να καλλιεργούν τις καλλιέργειες τους. Ακόμα και τρομακτικοί ανθρωποειδείς ρομπότ, που μπορούν να πηδήξουν και να τρέξουν σαν εμάς, μπορεί να είναι εμπορικά διαθέσιμα στο εγγύς μέλλον.
Οι ρομποτικές συσκευές γίνονται αρκετά καλοί όταν μετακινούνται γύρω από τον κόσμο μας χωρίς καμία παρέμβαση από εμάς. Αλλά παρά τις νέες αυτές δεξιότητες, εξακολουθούν να έρχονται με μια μεγάλη αδυναμία: Οι πιο ταλαντούχοι του τσαμπιού μπορούν ακόμα να σταματήσουν στις διαδρομές τους με ένα απλό πόμολο.
Το ζήτημα, λέει ο Matt Mason, ρομποτικός στο πανεπιστήμιο Carnegie Mellon, είναι ότι για όλες τις υπάρχουσες ικανότητες του ρομπότ να μετακινούνται αυτόνομα στον κόσμο, δεν μπορούν ακόμα να αλληλεπιδρούν φυσικά με αντικείμενα με έναν ουσιαστικό τρόπο μόλις φτάσουν εκεί.
"Τι μάθαμε από τη ρομποτική; Το πρώτο μάθημα είναι ότι ο χειρισμός είναι δύσκολος. Αυτό είναι αντίθετο στην προσωπική μας εμπειρία, αφού σχεδόν κάθε άνθρωπος είναι εξειδικευμένος χειριστής ", γράφει ο Mason σε πρόσφατο άρθρο ανασκόπησης.
Είναι ένα δίκαιο σημείο. Εμείς οι άνθρωποι χειραγωγούν τον κόσμο γύρω μας χωρίς να σκέφτονται. Αφαιρούμε, σπρώχνουμε, στριμίζουμε, ψιλοκομίζουμε και φτιάχνουμε αντικείμενα σχεδόν ασυνείδητα, χάρη εν μέρει στα απίστευτα δύσκολες χέρια μας. Ως αποτέλεσμα, έχουμε δημιουργήσει τους κόσμους μας με αυτά τα appendages στο μυαλό. Όλα τα κινητά τηλέφωνα, τα πληκτρολόγια, τα ραδιόφωνα και άλλα εργαλεία που έχουμε χειριστεί καθ 'όλη τη διάρκεια της ζωής μας έχουν σχεδιαστεί ειδικά για να ταιριάζουν στα δάχτυλα και τις παλάμες μας.
Δεν ισχύει για τα υπάρχοντα ρομπότ. Αυτή τη στιγμή, ένα από τα πιο ευρέως χρησιμοποιούμενα ρομποτικά σχέδια χειρός, που ονομάζεται "λαβή", είναι λίγο πολύ πανομοιότυπα με εκείνα που φαντάστηκαν στην τηλεόραση στη δεκαετία του 1960: μια συσκευή κατασκευασμένη από δύο δύσκαμπτα μεταλλικά δάχτυλα τα οποία συγκρατούν αντικείμενα μεταξύ τους.
Σε ένα ελεγχόμενο περιβάλλον, όπως μια γραμμή συναρμολόγησης, συσκευές όπως αυτές λειτουργούν καλά. Αν ένα ρομπότ ξέρει ότι κάθε φορά που φτάνει για ένα συγκεκριμένο κομμάτι, θα είναι στον ίδιο τόπο και προσανατολισμό, τότε πιάνοντας είναι ασήμαντο. "Είναι σαφές ποιο μέρος πρόκειται να βγει κάτω από τον μεταφορικό ιμάντα, γεγονός που καθιστά την αίσθηση και την αντίληψη σχετικά εύκολη για ένα ρομπότ", σημειώνει ο Jeannette Bohg, ρομποτικός στο Πανεπιστήμιο του Στάνφορντ.
Ο πραγματικός κόσμος, από την άλλη πλευρά, είναι ακατάστατος και γεμάτος αγνώστους. Απλά σκεφτείτε την κουζίνα σας: Μπορεί να υπάρχουν σωροί πιάτων που στεγνώνουν δίπλα στον νεροχύτη, μαλακά και εύθραυστα λαχανικά που καλύπτουν το ψυγείο και πολλά σκεύη γεμισμένα σε στενά συρτάρια. Από τη σκοπιά του ρομπότ, λέει ο Bohg, ο εντοπισμός και ο χειρισμός αυτής της τεράστιας σειράς αντικειμένων θα ήταν γεμάτο χάος.
"Αυτό είναι κατά κάποιο τρόπο το Άγιο Δισκοπότηρο, έτσι; Πολύ συχνά, θέλετε να χειρίζεστε ένα ευρύ φάσμα αντικειμένων που οι άνθρωποι χειρίζονται συνήθως και έχουν γίνει χειραγωγημένοι από τους ανθρώπους ", λέει ο Matei Ciocarlie, ερευνητής ρομπότ και μηχανολόγος μηχανικός στο Πανεπιστήμιο Columbia. "Μπορούμε να κατασκευάσουμε χειριστές για συγκεκριμένα αντικείμενα σε συγκεκριμένες καταστάσεις. Αυτό δεν είναι πρόβλημα. Είναι η ευελιξία που είναι η δυσκολία. "
Για να αντιμετωπιστεί ο τεράστιος αριθμός μοναδικών σχημάτων και φυσικών ιδιοτήτων αυτών των υλικών - είτε είναι στερεά σαν μαχαίρι είτε παραμορφώσιμα, όπως ένα πλαστικό περιτύλιγμα - ένα ιδανικό ρομποτικό εξάρτημα θα ήταν αναγκαστικά κάτι που μοιάζει με αυτό που τελειώνει τα χέρια μας. Ακόμη και με άκαμπτα κόκαλα, τα χέρια μας λυγίζουν και λυγίζουν καθώς καταλαβαίνουμε τα αντικείμενα, οπότε αν το χέρι ενός ρομπότ μπορεί να κάνει το ίδιο, θα μπορούσε να «κλωβίσει» τα αντικείμενα μέσα στο χέρι του και να τα μετακινήσει σε μια επιφάνεια χτυπώντας τα σαν ένα βρέφος τα παιχνίδια της.
Μηχανική ότι η ευελιξία δεν είναι μικρό επίτευγμα. Όταν οι μηχανικοί του iRobot - της ίδιας εταιρείας που σας έφερε την ηλεκτρική σκούπα Roomba - ανέπτυξαν ένα ευέλικτο, τρικέφαλο "χέρι" πριν από αρκετά χρόνια, χαιρετίστηκε ως ένα μεγάλο κατόρθωμα. Σήμερα, οι ρομποτικοί συνεχίζουν να απομακρύνονται από ένα πιστό αντίγραφο του ανθρώπινου χεριού, αναζητώντας σκουριασμένα υλικά και καλύτερα υπολογιστικά εργαλεία όπως η μηχανική μάθηση για τον έλεγχο τους.
Η αναζήτηση για μαλακά, ευέλικτα "χέρια"
"Οι ανθρώπινοι συγκρατητές τείνουν να είναι πολύ πιο ευαίσθητοι και πολύ πιο ακριβοί, επειδή έχετε πολύ περισσότερους κινητήρες και είναι συσκευασμένοι σε ένα μικρό χώρο", λέει ο Ντμίτρι Μπρενσόν, ο οποίος μελετά αυτόνομη ρομποτική χειραγώγηση στο Πανεπιστήμιο του Μίτσιγκαν. "Πραγματικά, πρέπει να έχετε πολλή μηχανική για να το καταφέρετε να λειτουργήσει και για πολύ συντήρηση, συνήθως." Λόγω αυτών των περιορισμών, λέει, τα υπάρχοντα ανθρώπινα χέρια δεν χρησιμοποιούνται ευρέως από τη βιομηχανία.
Για να είναι ένα ρομποτικό χέρι πρακτικό και να έρχεται κοντά στην ικανότητα ενός ανθρώπου, θα πρέπει να είναι σταθερό αλλά ευέλικτο. Να είστε σε θέση να αισθανθείτε το κρύο, τη θερμότητα και την αφή σε υψηλές αναλύσεις. και να είναι αρκετά ευγενής για να πάρει εύθραυστα αντικείμενα αλλά αρκετά ανθεκτικό ώστε να αντέχει σε ένα ξυλοδαρμό. Ω, και πάνω από όλα αυτά, θα έπρεπε να είναι φθηνή.
Για να αντιμετωπίσετε αυτό το πρόβλημα, ορισμένοι ερευνητές προσπαθούν να δημιουργήσουν ένα ευτυχισμένο μέσο. Δοκιμάζουν τα χέρια που μιμούνται μερικά από τα χαρακτηριστικά μας, αλλά είναι πολύ πιο απλά σχεδιασμένα και κατασκευασμένα. Ο καθένας χρησιμοποιεί μαλακά "δάχτυλα" από λατέξ που οδηγούνται από καλώδια που μοιάζουν με τένοντα, τα οποία τα τραβούν ανοιχτά και κλειστά. Το πλεονέκτημα αυτού του είδους των σχεδίων είναι η κυριολεκτική ευελιξία τους - όταν συναντούν ένα αντικείμενο, μπορούν να σμίξουν γύρω από αυτό, να σχηματίσουν το περίπλοκο σχήμα τους και να το βγάλουν κομψά.
Αντί για τα χέρια που μιμούνται στενά τη δική μας, μερικοί ερευνητές εργάζονται σε μαλακά, εύκαμπτα από σιλικόνη. Σε αυτήν την εικόνα, τα κοίλα δάχτυλα σιλικόνης καμπυλώνουν καθώς γεμίζουν με αέρα, πιέζοντάς τα γύρω από αντικείμενα ασυνήθιστου σχήματος. (J. MORROW ET AL / IEEE INTERNATIONAL ΔΙΕΥΘΥΝΣΗ ΣΤΗ ΡΟΜΠΟΤΙΚΗ ΚΑΙ ΑΥΤΟΜΑΤΟΠΟΙΗΣΗ (ICRA) 2016) Τέτοιου είδους "χέρια" που προσφέρουν μια μεγάλη βελτίωση σε σχέση με μια σκληρή μεταλλική λαβή. Αλλά αρχίζουν μόνο να λύσουν το ζήτημα. Παρόλο που ένα δάχτυλο από καουτσούκ λειτουργεί εξαιρετικά για τη συλλογή όλων των ειδών αντικειμένων, θα αγωνιστεί με τις λεπτές κινητικές δεξιότητες που απαιτούνται για απλά καθήκοντα όπως η τοποθέτηση ενός νομίσματος σε μια υποδοχή - η οποία περιλαμβάνει όχι μόνο το κράτημα του νομίσματος, αλλά και την αίσθηση της υποδοχής, αποφεύγοντας τις άκρες, και σύροντας το κέρμα μέσα. Για το λόγο αυτό, λέει ο Ciocarlie, δημιουργώντας αισθητήρες που λένε περισσότερα για τα αντικείμενα που αγγίζουν τα ρομπότ είναι εξίσου σημαντικό μέρος του παζλ.
Τα δικά μας δάχτυλα έχουν χιλιάδες ατομικούς υποδοχείς αφής ενσωματωμένους στο δέρμα. "Δεν γνωρίζουμε πραγματικά πώς να κατασκευάσουμε αυτά τα είδη αισθητήρων, και ακόμα κι αν το κάναμε, θα έχουμε πολύ δύσκολο χρόνο να τους συνδέσουμε και να πάρουμε αυτές τις πληροφορίες πίσω", λέει ο Ciocarlie.
Ο πλήθος των απαιτούμενων αισθητήρων θα έθετε ένα δεύτερο, ακόμη πιο ενοχλητικό ζήτημα: τι να κάνετε με όλες αυτές τις πληροφορίες μόλις την έχετε. Οι υπολογιστικές μέθοδοι που επιτρέπουν σε ένα ρομπότ να χρησιμοποιεί τεράστια ποσά αισθητηριακών δεδομένων για να προγραμματίσει την επόμενη κίνηση του, αρχίζουν να αναδύονται, λέει ο Berenson. Αλλά η απόκτηση αυτών των ικανοτήτων μέχρι εκεί που πρέπει να γίνουν μπορεί να οδηγήσει σε όλες τις άλλες προκλήσεις που αντιμετωπίζουν οι ερευνητές για να επιτύχουν αυτόνομη χειραγώγηση. Η οικοδόμηση ενός ρομπότ που μπορεί να χρησιμοποιήσει τα "χέρια" του γρήγορα και απρόσκοπτα - ακόμη και σε εντελώς καινοφανείς καταστάσεις - μπορεί να μην είναι δυνατή εκτός αν οι μηχανικοί μπορούν να το δώσουν με μια σύνθετη νοημοσύνη.
Αυτό το μυαλό είναι κάτι που πολλοί από εμάς οι άνθρωποι θεωρούν δεδομένο. Για να πάρει ένα μολύβι στο γραφείο μας, απλά φτάνουμε έξω και το αρπάξουμε. Όταν τρώμε δείπνο, χρησιμοποιούμε λαβίδες, πιρούνια και ξυλάκια για να τραβήξουμε το φαγητό μας με χάρη και ακρίβεια. Ακόμη και οι ακρωτηριασμένοι που έχουν χάσει τα άνω άκρα μπορούν να μάθουν να χρησιμοποιούν προσθετικούς γάντζους για εργασίες που απαιτούν λεπτές κινητικές δεξιότητες.
"Μπορούν να δέσουν τα παπούτσια τους, μπορούν να κάνουν ένα σάντουιτς, μπορούν να ντυθούν - όλα με τον απλούστερο μηχανισμό. Γνωρίζουμε λοιπόν ότι είναι δυνατό εάν έχετε τη σωστή νοημοσύνη πίσω από αυτό ", λέει ο Berenson.
Διδασκαλία του μηχανήματος
Η επίτευξη αυτού του επιπέδου νοημοσύνης σε ένα ρομπότ μπορεί να απαιτεί ένα άλμα στις τρέχουσες μεθόδους που χρησιμοποιούν οι ερευνητές για τον έλεγχο τους, λέει ο Bohg. Μέχρι πρόσφατα, το μεγαλύτερο μέρος του λογισμικού χειραγώγησης περιελάμβανε την κατασκευή λεπτομερών μαθηματικών μοντέλων πραγματικών καταστάσεων, αφήνοντας στη συνέχεια το ρομπότ να χρησιμοποιεί αυτά τα μοντέλα για να προγραμματίσει την κίνηση του. Ένα πρόσφατα κατασκευασμένο ρομπότ που έχει αναλάβει να συγκεντρώσει μια καρέκλα της Ikea χρησιμοποιεί για παράδειγμα ένα μοντέλο λογισμικού που μπορεί να αναγνωρίσει κάθε κομμάτι, να καταλάβει πώς ταιριάζει μαζί με τους γείτονές του και να το συγκρίνει με το τελικό προϊόν. Μπορεί να ολοκληρώσει τη λειτουργία συναρμολόγησης σε περίπου 20 λεπτά. Ρωτήστε το να συγκεντρώσει ένα διαφορετικό προϊόν Ikea, όμως, και θα είναι εντελώς flummoxed.
Οι άνθρωποι αναπτύσσουν τις δεξιότητες πολύ διαφορετικά. Αντί να έχουμε βαθιά γνώση σε ένα μόνο στενό θέμα, απορροφούμε τη γνώση από την πτήση από το παράδειγμα και την πρακτική, ενισχύοντας τις προσπάθειες που λειτουργούν και απορρίπτοντας αυτές που δεν το κάνουν. Σκεφτείτε την πρώτη φορά που μάθατε πώς να κόψετε ένα κρεμμύδι - μόλις καταλάβετε πώς να κρατήσετε το μαχαίρι και να κόψετε μερικές φορές, πιθανότατα δεν έπρεπε να ξεκινήσετε από το μηδέν όταν συναντήσατε μια πατάτα. Πώς λοιπόν κάποιος παίρνει ένα ρομπότ για να το κάνει αυτό;
Ο Bohg πιστεύει ότι η απάντηση μπορεί να έγκειται στην «μηχανική μάθηση», ένα είδος επαναληπτικής διαδικασίας που επιτρέπει σε ένα ρομπότ να καταλάβει ποιες προσπάθειες χειραγώγησης είναι επιτυχείς και ποιες δεν είναι - και του δίνει τη δυνατότητα να χρησιμοποιήσει αυτές τις πληροφορίες για να κάνει ελιγμούς σε καταστάσεις που δεν συναντήθηκαν ποτέ.
"Πριν η μηχανική μάθηση εισέλθει στο πεδίο της ρομποτικής, το μόνο που έχει να κάνει με τη μοντελοποίηση της φυσικής της χειραγώγησης - έρχεται με τις μαθηματικές περιγραφές ενός αντικειμένου και του περιβάλλοντος", λέει. "Η μηχανική μάθηση μας επιτρέπει να δώσουμε σε ένα ρομπότ μια δέσμη παραδειγμάτων αντικειμένων που κάποιος έχει σχολιάσει, δείχνοντάς τον, " Εδώ είναι καλό μέρος για να αρπάξετε. "" Ένα ρομπότ θα μπορούσε να χρησιμοποιήσει αυτά τα δεδομένα του παρελθόντος για να εξετάσει ένα εντελώς νέο αντικείμενο και να καταλάβει πώς να πιάστε το.
Αυτή η μέθοδος αντιπροσωπεύει μια σημαντική αλλαγή από προηγούμενες τεχνικές μοντελοποίησης, αλλά μπορεί να είναι μια στιγμή πριν είναι αρκετά εξελιγμένη για να αφήσει τα ρομπότ να μάθουν εξ ολοκλήρου μόνα τους, λέει ο Berenson. Πολλοί υπάρχοντες αλγόριθμοι μηχανικής μάθησης πρέπει να τροφοδοτηθούν με τεράστια ποσά δεδομένων σχετικά με πιθανά αποτελέσματα - όπως όλες οι πιθανές κινήσεις σε ένα παιχνίδι σκακιού - πριν μπορέσουν να ξεκινήσουν να επεξεργάζονται το καλύτερο δυνατό σχέδιο επίθεσης. Σε άλλες περιπτώσεις, μπορεί να χρειαστούν εκατοντάδες, αν όχι χιλιάδες, προσπαθειών να χειραγωγήσουν ένα συγκεκριμένο αντικείμενο πριν σκοντάψουν σε μια στρατηγική που λειτουργεί.
Αυτό θα πρέπει να αλλάξει εάν ένα ρομπότ πρόκειται να κινηθεί και να αλληλεπιδράσει με τον κόσμο όσο πιο γρήγορα μπορούν οι άνθρωποι. Αντίθετα, λέει ο Berenson, ένα ιδανικό ρομπότ θα πρέπει να είναι σε θέση να αναπτύξει νέες δεξιότητες σε λίγα μόνο βήματα χρησιμοποιώντας δοκιμές και λάθη ή να είναι σε θέση να προβάλει νέες ενέργειες από ένα μόνο παράδειγμα.
Ο Απόλλωνας, ένα ρομπότ που χτίστηκε από τον μηχανικό Jeannette Bohg, προσπαθεί να μετακινήσει έναν κύλινδρο σε ένα τραπέζι ενώ ένα κουτί από χαρτόνι μπλοκάρει το δρόμο του. Σε αυτό το πείραμα, ένας ερευνητής μετατόπισε το κουτί σε νέες θέσεις στο τραπέζι καθώς ο βραχίονας κινήθηκε, αναγκάζοντας τον Απόλλωνα να υπολογίσει εκ νέου την τροχιά του. Η μπερδεμένη εικόνα στην κάτω δεξιά γωνία δείχνει μια άποψη από την προοπτική του Απόλλωνα, υπογραμμίζοντας πόσο δύσκολο είναι για ένα ρομπότ να αναγνωρίζει και να αλληλεπιδρά με αντικείμενα γύρω του. (COURTESY JEANNETTE BOHG) "Το μεγάλο ερώτημα που πρέπει να ξεπεραστεί είναι πώς μπορούμε να ενημερώσουμε τα μοντέλα ενός ρομπότ όχι με 10 εκατομμύρια παραδείγματα, αλλά ένα ;" λέει. "Για να το φτάσει σε ένα σημείο όπου λέει, " Εντάξει, αυτό δεν λειτούργησε, έτσι τι να κάνω στη συνέχεια; " Αυτή είναι η πραγματική μαθησιακή ερώτηση που βλέπω. "
Ο Mason, ο ρομποτικός της Carnegie Mellon, συμφωνεί. Η πρόκληση του προγραμματισμού των ρομπότ να κάνουν αυτό που κάνουμε χωρίς νόημα, λέει, συνοψίζεται από κάτι που ονομάζεται παράδοξο του Moravec (το οποίο ονομάστηκε από τον πρωτοπόρο της ρομποτικής Hans Moravec, ο οποίος διδάσκει επίσης στο Carnegie Mellon). Αναφέρει, εν συντομία, ότι αυτό που είναι δύσκολο για τους ανθρώπους να χειρίζονται συχνά με ευκολία από τα ρομπότ, αλλά η δεύτερη φύση για μας είναι απίστευτα δύσκολο να προγραμματιστεί. Ένας υπολογιστής μπορεί να παίξει το σκάκι καλύτερα από οποιοδήποτε άτομο, για παράδειγμα - αλλά το να το αναγνωρίσεις και να πάρεις ένα κομμάτι σκακιού από μόνο του έχει αποδειχτεί ότι είναι συγκλονιστικά δύσκολο.
Για τον Mason, αυτό εξακολουθεί να ισχύει. Παρά τη σταδιακή πρόοδο που κάνουν οι ερευνητές σε συστήματα ρομποτικού ελέγχου, λέει, η βασική ιδέα της αυτόνομης χειραγώγησης μπορεί να είναι ένα από τα πιο σκληρά καρύδια που έχει περάσει ακόμα ο τομέας.
"Η ορθολογική, συνειδητή σκέψη είναι μια σχετικά πρόσφατη εξέλιξη στην εξέλιξη", λέει. "Έχουμε όλα αυτά τα άλλα ψυχικά μηχανήματα που πάνω από εκατοντάδες εκατομμύρια χρόνια ανέπτυξαν την ικανότητα να κάνουν εκπληκτικά πράγματα, όπως η μετακίνηση, ο χειρισμός, η αντίληψη. Ωστόσο, όλα αυτά συμβαίνουν κάτω από το συνειδητό επίπεδο.
"Ίσως τα πράγματα που θεωρούμε ως υψηλότερη γνωστική λειτουργία, όπως η δυνατότητα να παίζουμε σκάκι ή να κάνουμε άλγεβρα - ίσως τα πράγματα να είναι νεκρά ασήμαντα σε σύγκριση με τους μηχανισμούς χειραγώγησης".
Το γνωστό περιοδικό είναι μια ανεξάρτητη δημοσιογραφική προσπάθεια από τις ετήσιες αναθεωρήσεις. 
