محققان از هوش مصنوعی برای آموزش سگ‌های رباتیک استفاده می‌کنند

یک همکاری بین‌المللی با استفاده از ترکیبی از هوش مصنوعی و محاسبات لبه‌ای به نام هوش لبه، به دنبال نوآوری در آینده است که چگونه بهترین دوست یک مرد مکانیکی با صاحبش تعامل می‌کند.

این پروژه از طریق کمک مالی یک ساله از موسسه فناوری های آینده (IFT)، مشارکت بین موسسه فناوری نیوجرسی (NJIT) و دانشگاه بن گوریون نقب (BGU) حمایت می شود.

استادیار Kasthuri Jayarajah در کالج محاسباتی Ying Wu در NJIT در حال تحقیق در مورد چگونگی طراحی یک مدل کمک اجتماعی از سگ رباتیک Unitree Go2 خود است که رفتار و ماهیت تعاملات خود را به صورت پویا بر اساس ویژگی های افرادی که با آنها در تعامل است تطبیق دهد.

هدف کلی پروژه این است که سگ را با تطبیق دستگاه‌های حسگر مبتنی بر پوشیدنی که می‌تواند محرک‌های فیزیولوژیکی و عاطفی ذاتی شخصیت و ویژگی‌های فرد، مانند درون‌گرایی یا حالت‌های گذرا، از جمله سطح درد و راحتی را تشخیص دهد، «زنده» شود.

این اختراع بر محیط خانه و مراقبت های بهداشتی در مبارزه با تنهایی در جمعیت سالمند تأثیر خواهد گذاشت و کمکی در درمان و توانبخشی خواهد بود. کار اولیه Jayarajah که در آن سگ‌های رباتیک نشانه‌های ژست‌های شرکای خود را درک می‌کنند و به آنها پاسخ می‌دهند، در کنفرانس بین‌المللی ربات‌ها و سیستم‌های هوشمند (IROS) اواخر امسال ارائه خواهد شد.

محقق مشترک Shelly Levy-Tzedek، دانشیار دپارتمان فیزیوتراپی در BGU، یک محقق و رهبر با تجربه در رباتیک توانبخشی با تمرکز بر مطالعه اثرات سن و بیماری بر کنترل بدن است.

محققان خاطرنشان می‌کنند که دستگاه‌های پوشیدنی به طور فزاینده‌ای در دسترس هستند و مدل‌های روزمره مانند هدفون‌ها را می‌توان برای استخراج حالات پوشیدنی‌ها مانند فعالیت مغز و عبارات میکرو استفاده کرد. هدف این پروژه ترکیب چنین حسگرهای پوشیدنی چندوجهی با سنسورهای روبات سنتی (به عنوان مثال بصری و صوتی) برای ردیابی عینی و غیرفعال ویژگی های کاربر است.

به گفته Jayarajah، در حالی که مفهوم روبات‌های کمک‌کننده اجتماعی هیجان‌انگیز است، استفاده طولانی‌مدت پایدار به دلیل هزینه و مقیاس یک چالش است. او گفت: “روبات هایی مانند Unitree Go2 هنوز برای کارهای بزرگ هوش مصنوعی آماده نشده اند. آنها در مقایسه با خوشه های GPU بزرگ، قدرت پردازش محدودی دارند، حافظه زیادی ندارند و عمر باتری محدودی دارند.”

مراحل اولیه در این پروژه شامل ایجاد ترکیب سنسورهای سنتی و همچنین بررسی معماری‌های مبتنی بر یادگیری عمیق است که با دقت طراحی شده‌اند که به توسعه حسگرهای پوشیدنی کالا برای استخراج ویژگی‌های کاربر و تطبیق دستورات حرکتی کمک می‌کند.