ساخت ربات کار آسانی نیست. اگر شما با افراد خبره‌ در حوزه رباتیک صحبت کنید آن‌ها خواهندگفت که سال‌های زیادی طول می‌کشد تا یک ربات با عملکردی خوب ساخته شود. اگرچه ممکن است شما ربات‌های تاثیرگذار و شاهکاری را دیده باشید ولی واقعیت بسیار قابل تامل‌ است. در ویدیوی زیر می‌توانید لحظه زمین خوردن ربات‌های پیشرفته شرکت‌کننده در رقابت DARPA را ببینید.

این سوال پیش می‌آید چرا ساخت ربات تا این حد مشکل است؟ در اینجا دلایلی فهرست شده که نشان می‌دهد علم رباتیک قبل از این‌که در زندگی روزمره ما نقشی داشته‌ باشد، هنوز نیازمند سال‌ها پژوهش و توسعه است.

توان مصرفی

بسیاری از ربات‌ها نمی‌توانند به منبع برق متصل شوند و باید منبع تغذیه خود را به‌صورت باتری یا مخزن گاز حمل کنند. بسیاری از ربات‌های پرنده کوچک کمتر از یک ساعت می‌توانند کار کنند. عمر باتری اغلب ربات‌های پیچیده انسان‌نما مانند ربات ATLAS ساخته شرکت بوستون داینامیکس (Boston Dynamics) نیز همین مقدار است. بنابراین وقتی ربات چند قدم بردارد باتری آن دوباره نیاز به شارژ دارد. مصرف توان این ربات برای استفاده در دنیای واقعی کاملاً ناکارامد است.

همان‌طور که باتری‌هایی که امروزه در لپتاپ‌ها و گوشی‌های همراه استفاده می‌شود توان آن‌ها را برای روزها تامین می‌کند برای ربات‌ها نیز مدت زمانی که بدون نیاز به شارژ دوباره سپری کنند در حال افزایش است. نسخه اولیه ربات ATLAS برای تامین توان باید به منبع تغذیه خارجی متصل می‌شد ولی اکنون برای تامین توان خود باتری‌ حمل می‌کند. چالش این است که حرکت ربات نیز به توان زیادی نیاز دارد. اغلب ربات‌های پرنده بخش زیادی از توان خود را برای بخش حرکت استفاده می‌کنند و این توان را در بخش‌های محاسبات و حسگری و ارتباطات به کار نمی‌گیرند. هرچه باتری ربات بزرگتر باشد ربات قدرت بیشتری دارد اما از طرف دیگر وزن ربات نیز سنگین‌تر می‌شود و توان مصرفی آن برای حرکت، بیشتر خواهد شد.

افزون بر توان، بازدهی نیز چالش بزرگی برای ربات‌ها به‌شمار می‌آید. برای مثال ماهیچه‌های انسان قدرت بالایی دارند ولی بسیاری از ربات‌ها قدرت حمل بارهای سنگین را ندارند.

هرمان بروینینکس (Herman Bruyninckx) می‌گوید: «عضلات انسان برای تولید نیرویی برابر با موتورها، در مقایسه با اجزای ربات، سبک‌تر و کوچک‌تر هستند.»

داشتن حس

آیا تا به حال فکر کرده‌اید که چرا برای اغلب ربات‌ها اشیا را دستکاری می‌کنند تا رنگ روشن‌تری داشته باشند یا کد QR برای آن‌ها تعریف می‌شود؟

اگرچه ثابت شده است که الگوریتم‌های یادگیری ماشین بسیار موثر هستند و به رایانه‌ها اجازه می‌دهند که تصاویر را با توصیفی مانند «گربه سیاه روی صندلی سفید» شناسایی ‌کنند ولی همچنان ربات‌ها به‌سختی می‌توانند اشیا را تشخیص دهند. ربات‌ باید بداند که اشیا چه کاربردی دارند و چگونه می‌تواند با آن‌ها در تعامل باشد. از دید ربات تا کننده لباس، پیراهن بنفش و کت‌ راه‌راه و یک شلوار متمایز هستند و برای تا کردن لباس‌ها، ربات مجموعه‌ای از اجزای داخلی خود را در قالب حرکات از قبل برنامه‌ریزی شده حرکت می‌دهد. همچنین دوربین‌ها بسیار مفید هستند و پردازش تصویر خیلی سنگین نیاز است. حسگرهایی مانند حسگر تشخیص حرکت کینکت مایکروسافت (Microsoft Kinect) و مسافت‌یاب لیزری (Laser Range Finder) به ربات‌ها در ترسیم سه‌بعدی محیط پیرامونشان کمک می‌کنند. ربات‌ها می‌توانند از ابر نقطه (point cloud) که مجموعه سه‌بعدی از نقاط برای توصیف خصوصیات خارجی یک شی به‌دست می‌دهد استفاده کنند تا موانع موجود را شناسایی کرده و نقشه از محیط پیرامون ترسیم کنند. افزون بر داشتن دید سه بعدی از محیط، حس شنوایی و لامسه نیز به ندرت در سامانه‌های رباتیک وجود دارد. خوشبختانه ربات‌ها به تعدادی سنسورهای خاص مانند شتاب‌سنج و حسگرهای دما و گاز و جی‌پی‌اس (GPS) دسترسی دارند که در برخی وظایف از حس انسان بهتر عمل می‌کنند.

برداشتن اجسام

ربات‌های صنعتی در برداشتن اشیا از پیش تعریف شده در عملیات تکرارشونده بسیار موفق هستند. برداشتن اجسام در مکان‌هایی خارج از محیط‌های تعریف شده چالشی بزرگ برای ربات‌ها است. ربات‌های خانگی تجاری موفق مانند ربات حضور از راه دور (telepresence) و جاروربات  برای برداشتن اشیا طراحی نشده‌اند. شرکت آمازون این مسئله را با تشکیل تیمی از انسان و ربات برای جابه‌جایی محصولات در انبارهای خود حل کرده است. ربات‌ها قفسه‌ها را برای کارکنان جابه‌جا می‌کنند تا کارکنان، محصول را در جعبه قرار دهند. سال پیش شرکت آمازون مسابقه «چالش برداشتن اجسام» را در کنفرانس بین‌المللی رباتیک و اتوماسیون (ICRA) برگزار کرد تا به حل این چالش بپردازد. در این رقابت تیم RBO از کشور برلین برنده شد. رقابت RoCKIn در اروپا نیز بر مسئله برداشتن اشیا در خانه و محیط کار تمرکز دارد.

شرکت‌هایی مانند Shadow Robot در حال مطالعه بر مهارت‌های حرکتی دست رباتیک هستند استفاده از ربات‌های بلندکننده اشیا نیاز به برنامه‌ریزی‌های دقیق دارند. راه‌حل دیگر بهره‌مندی از ربات‌های صنعتی بلندکننده اجسام است و تغییر آن به‌گونه‌ای که با اجسام با شکل‌های متفاوت سازگاری داشته باشند.

ادراک و استنتاج

ربات‌های امروزی معمولا از الگوریتم‌های مشخص استفاده می‌کنند  و وظایف خاصی انجام  می‌دهند برای مثال حرکت از نقطه A به نقطه B یا حرکت‌دادن یک جسم روی خط مونتاژ. برای طراحی ربات‌های همکار در شرکت‌های کوچک یا ربات‌های خانگی نیاز است که محیط‌های جدید را درک کنند و توانایی یادگیری در محل کار داشته باشند. وظیفه‌ای که برای انسان بسیار راحت به‌نظر می‌رسد ولی برای ربات به یک وظیفه استنتاجی و ادراکی پیچیده تبدیل می‌شود. پروژه‌هایی مانند iCub بر همین موضوع تمرکز دارند. هدف آن‌ها دستیابی به سطح استنتاج و ادراک یک کودک ۲٫۵ ساله است.

یادگیری عمیق (Deep learning) راه‌حل‌های جدیدی برای حوزه رباتیک ارائه کرده‌است. یک تیم در دانشگاه زوریخ و موسسه IDSIA نشان دادند ربات‌های پرنده با کمک شبکه عصبی عمیق توانایی یادگیری پرواز دارند.

با این‌که هم‌اکنون الگوریتم‌های یادگیری در ربات تعبیه می‌شوند باید بدانیم که هنوز از هوش و درک انسان بسیار فاصله دارند. طی کردن مسیرهای جنگل با تجزیه و تحلیل داده‌های مربوط به این مسیرها به نتیجه می‌رسد.

برای نزدیک شدن سطح یادگیری ربات به انسان، بهتر است به جای درک واقعی از قوانین فیزیک، با روش‌های مبتنی بر تمرین و تکرار این هدف به‌دست آید.

محیط‌های بدون ساختار مشخص

فعالیت در محیط‌های بدون ساختار و شلوغ برای اغلب ربات‌ها بسیار مشکل است. به‌همین دلیل ربات‌های تجاری فقط در کاربردهای خاص مانند کارخانه‌ها، انبارها، و یا جاده‌ها در هوای آزاد یا زیر آب بسیار موفق هستند. از سوی دیگر تعداد کمی ربات وجود دارند که می‌توانند به صورت مستقل در محیط‌ خانه فعالیت کنند. برای جاروربات Dyson 360 eye به مدت ۱۰۰ هزارساعت برای تولید و ۱۶ سال جهت تحقیق و توسعه زمان صرف شده است تا ربات برای طی کردن مسیر در یک محیط بدون ساختار مانند خانه مناسب شود.

یکپارچگی و هماهنگی

برای فهم یکپارچگی و هماهنگی باید از دید یک ربات نگاه کرد. یک ربات جدید را تصور کنید که وظیفه دارد لیوان آب را به فرد سالخورده‌ای در خانه بدهد. نخست ربات نقشه‌ای از خانه را با طی کردن مسیر اتاق‌ها و راهروها باید ترسیم کند. پس از آن باید درخواست فرد را با الگوریتم‌های تشخیص گفتار، درک کند. ربات از نقشه ترسیم‌شده برای مسیر آشپزخانه و اجتناب از موانع استفاده می‌کند. باید در کابینت را باز کرده و لیوان را بردارد و به سمت سینک ظرفشویی برود و شیر آب را با مهارت‌های حرکتی باز کند و لیوان را تا زمانی که از آب پر شود زیر شیر آب قرار دهد و در نهایت لیوان آب را بدون ریختن برای فرد سالخورده ببرد. همه وظایفی که گفته شد نیاز به سخت‌افزاری مطمئن و مجموعه‌ای از حسگرهای قدرتمند و الگوریتم‌های پیچیده دارند. هم‌اکنون تنها ربات‌های مستقل از هم هرکدام از این وظایف را جداگانه انجام می دهند. یکپارچگی و هماهنگی همه این قسمت‌ها در یک ربات بسیار سخت است.

جان هالم (John Hallam) استاد دانشگاه دانمارک می‌گوید: «شما یک ربات نمی‌سازید بلکه یک سامانه را مهندسی می‌کنید. خیلی از افراد بر ساخت ربات تمرکز دارند در حالی که از مسئله‌های مهم طراحی ربات غافل هستند.

چارچوب‌های قانونی و تصور عمومی از ربات‌ها

استارتاپ‌ها به ساخت ربات می‌پردازند ولی مسائل به‌خصوصی را حل می‌کنند. ربات‌های پرنده و اتومبیل‌ها مثال‌هایی از این نوع هستند. مقررات استارتاپ‌ها هنوز در سطحی قرار ندارد که اجازه دهد محصولات، تجاری شوند.

در جهانی که امنیت انسانی و انتظارات مشتری از اولویت بالایی برخوردار هستند، برای پیدا کردن استانداردهای مناسب برای ساخت ربات تلاشی مداوم صورت می‌گیرد.

ارائه اطلاعات نادرست به مردم درباره توانایی‌های ربات‌ها نگرانی عمومی را افزایش داده است. باید نگرانی‌های عمومی به بحث گذاشته شوند وهمچنین در برابر استفاده از ربات‌های ارتقا یافته مسئولیت‌پذیر باشیم.

ساخت ربات همچنان مشکل است!

علم رباتیک گامی در راستای توسعه فناوری‌های خاص به‌شمار می‌آید و راه‌حل‌هایی را برای وظایف اختصاصی ارائه می‌دهد. بعد از سال‌ها تحقیق و توسعه در آزمایشگاه‌های تحقیقاتی، ربات‌ها اکنون راه خود را در بازار مصرف پیدا کرده‌اند. هنوز رباتی مانند ربات خدمتکار Rosie the Robot ساخته نشده است. ساخت رباتی مشابه این ربات کارتونی نیازمند پیشرفت در توان ربات، داشتن حس، برداشتن اجسام، استنتاج و ادراک و یکپارچگی و هماهنگی است.

مجموعه ده قسمتی از European Robotics قرار است هر دو هفته در تارنمای SPARC و Robohub منتشر شود.

منبع: Robohub