انسان با تلفیق اطلاعات بینایی و اطلاعاتی که از لمس اشیا بدست میآید قادر به برهمکنش با دنیای اطراف هست. در صورت از دست دادن یکی از این دو حس، دیگری را میتوان برای درک دنیای اطراف پرورش داد. رباتها قادر به استفادهی بهینه و تلفیقی از اطلاعات تصویری و حسی نیستند. برای حل این مشکل پژوهشگران MIT یک هوش مصنوعی ساختند که اطلاعات تصویری و لامسه از روی یکدیگر استنتاج میکند. برای مرور این طرح با مجلهی فناوریهای توانافزا و پوشیدنی همراه باشید.
آیا تا کنون به عکس العمل دستان خود پس از دیدن اشیا توجه کرده اید؟
حس لامسه پیش از بینایی و توانایی صحبت کردن در انسان فعال میشود. لامسه یکی از تواناییهای مهم در درک جهان پیرامون است. این درحالی است که بینایی با تصویری که از دنیای پیرامون ارائه میدهد، به صورت لحظهای امکان سنجش موقعیت ما در دنیای اطراف را فراهم میکند.
رباتهایی که برای دیدن یا برخورداری از حس لامسه برنامهریزی میشوند، نمیتوانند یکی از این دو حس را جایگزین دیگری نمایند. پژوهشگران آزمایشگاه CSAIL یا Computer Science and Artificial Intelligence Laboratory در MIT روشی برای کمرنگتر ساختن این مشکل ابداع نمودهاند. هوش مصنوعی این پژوهشگران میتواند با حس کردن اشیا ببیند و از طریق دیدن اشیا را حس کند.
سامانهی این گروه میتواند با ورودی تصویری سیگنالهای حس لامسه را تولید کند. این هوش مصنوعی با پردازش تصویر پیشبینی میکند که کدام قسمت به شکل مستقیم لمس خواهد شد. این گروه از یک بازوی KUKA با حسگری با نام GelSight استفاده میکند. این حسگر را گروهی دیگر از پژوهشگران MIT طراحی کردهاند.
این گروه با یک دوربین ساده از ۲۰۰ عدد از وسایل منزل، پارچه و ابزارهای مختلف فیلمبرداری کردند. این اشیا بیش از ۱۲۰۰ بار لمس شده بود. پس از آن این فیلمها به فریمهای ثابت شکسته شد. با این کار در حدود یک میلیون تصویر الحاق شده به اطلاعات حسگرهای لمسی تولید شد.
نگاه کردن به این تصاویر به هوش مصنوعی تصوری از لمس یک سطح صاف و یا تیز خواهد داد. عکس این اتفاق نیز ممکن است. لمس کردن اشیا بدون استفاده از اطلاعات تصویری نیز میتواند دانشی از شکل دنیای پیرامون این هوش مصنوعی ایجاد کند. با ترکیب این دو حالت حجم اطلاعات لازم برای هدایت ربات کاهش مییابد.
حس لامسه پس از دیدن
انسانها با دیدن اشیا میتوانند حس لمس آن شیئ را درک کنند. برای شبیهسازی این مورد در یک ماشین، ابتدا لازم است ناحیهی لمس یک شیئ برای ماشین مشخص شود. پس از آن میتوان حس لامسه را شبیه سازی کرد. دادههای تصویری که پیش از این به آن اشاره شد، در این مرحله کاربرد دارد. رایانه تصویر شیئ جدید را با دادههای پیشین مقایسه میکند. تصویرهایی که بیشترین تطابق را دارد انتخاب میشود. پس از آن اطلاعات حس لامسه الحاق شده به این تصویر در پیشبینی حس لامسه این شیئ جدید کمک شایانی خواهد بود.
تصویری که با اطلاعات لامسه ساخته می شود
برای تبدیل اطلاعات حس لامسه به تصویر باید ابتدا باید اطلاعات کافی از شیئ مورد نظر جمعآوری شد. این اطلاعات مربوط به حسگر لامسه است. پس از آن میتوان شکل و نوع مادهی لمس شده را پیشبینی نمود. این اطلاعات با اطلاعات تصویری از پیش تهیه شده مقایسه میشود تا تصویری انتزاعی از شیئ لمس شده ساخته شود.
به عنوان مثال اگر هوش مصنوعی اطلاعات مربوط به لمس کردن یک کفش را دریافت کند، میتواند حدس بزند که کدام قسمت کفش لمس شده است. این اطلاعات در شرایطی که هیچ دادهی تصویری وجود ندارد(مانند زمانیکه در یک اتاق تاریک هستید) قابل استفاده است.
نگاهی به آینده
در حال حاضر این هوش مصنوعی در شرایط کنترل شدهی آزمایشگاهی به خوبی کار میکند. گروه امیدوار است با جمعآوری دادههای دنیای واقعی و مکانهایی با شکل نامنظم عملکرد این هوش مصنوعی را بهبود بخشند.
عملکرد الگوریتم نیز قابل بهبود است. این هوش مصنوعی باید بتواند بدون فشار دادن یک سطح و تنها با لمس آن تخمینی از نرمی آن بدست آورد. همچنین عملکرد در تشخیص رنگ نیاز به بهبود دارد.
این پژوهش میتواند به هماهنگی رباتها در استفاده همزمان از اطلاعات تصویری و اطلاعات لمس موثر باشد. این مدل حتی در همین مرحله نیز مدلی بدیع است و پیش از این به آن پرداخته نشده است.
آشنایی با پژوهشگران طرح
دانشجوی دکتری MIT با نام Yunzhu Li نخستین نویسندهی مقالهی این طرح است. اساتید مشارکت کننده در این طرح Russ Tedrake و Antonio Torralba هستند. محقق پسادکتری طرح Jun-Yan Zhu میباشد. این طرح در کنفرانس Conference on Computer Vision and Pattern Recognition ارائه شده است.
در زمینه هوش مصنوعی و حسگرهای لامسه در مجله ی فناوریهای توانافزا و پوشیدنی
هوش مصنوعی در کدام بخش های حوزه پزشکی و مراقبت بهداشتی کاربرد دارد؟
بازگشت حس لامسه و توانایی گرفتن اشیا به افراد قطع عضو با دست بیونیک
کاربرد هوش مصنوعی در بهبود کیفیت زندگی افراد معلول و ناتوان حرکتی
منبع: MITnews
«استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوریهای توانافزا و پوشیدنی) مجاز است»