پوشیدن لباس به کمک ربات

برای پوشاندن لباس به انسان توسط ربات، یادگیری ماشین، مدل‌هایی را برای پیش‌بینی حرکات بازو، موقعیت آرنج و نیروی اعمال‌شده ارائه می‌کند. برای مقابله با دید مسدود شده در تلاش برای پوشاندن لباس، یک الگوریتم، نیروی وارد شده به آستین ژاکت را توسط ربات اندازه‌گیری می‌کند و سپس موقعیت آرنج را تخمین می‌زند.

ربات‌ها قبلاً در کارهایی مانند بلند کردن اجسام سنگین یا دست و پا گیر و همچنین مونتاژ دقیق اقلامی مانند ساعت‌هایی که تعداد زیادی قطعات ریز دارند مهارت دارند – برخی آنقدر کوچک هستند که به سختی می‌توان آنها را با چشم غیر مسلح دید.

انجام کارهایی که نیاز به آگاهی از موقعیت دارند، برای ربات‌ها بسیار سخت‌تر است و شامل سازگاری‌های تقریباً آنی با شرایط در حال تغییر در محیط می‌باشد. از این فراتر، هنگامی که یک روبات مجبور است با یک انسان تعامل داشته باشد و با هم کار کنند تا یک کار را با نتیجه امن و موفقیت آمیز انجام دهند، همه چیز پیچیده‌تر می‌شود.

محققان MIT در حال حاضر بر روی برنامه‌نویسی رباتی کار می‌کنند که به لباس پوشیدن انسان و به طور خاص آستین‌ها کمک کند. شن لی، کاندیدای دکترای دپارتمان هوانوردی و فضانوردی MIT توضیح می‌دهد: «ربات نمی‌تواند بازوی انسان را در طول کل فرآیند لباس پوشیدن ببیند و به‌ویژه، همیشه نمی‌تواند آرنج را ببیند یا موقعیت یا تحمل دقیق آن را تعیین کند». این امر بر روی مقدار نیرویی که ربات برای کشیدن لباس – مانند یک پیراهن آستین بلند – از دست تا شانه اعمال می‌کند، تأثیرگذار است.»

این تحقیق توسط دفتر تحقیقات نیروی دریایی ایالات متحده، موسسه آلن تورینگ و موسسه تحقیقاتی هوندا در اروپا حمایت شده است.

 

تخمین حرکت با دقت قابل توجه

برای مقابله با این مشکل دید، این تیم تحقیقاتی، یک “الگوریتم تخمین حالت” را توسعه داده است که به آنها امکان می‌دهد حدس‌هایی دقیق و منطقی در مورد اینکه آرنج در هر لحظه در کجا قرار دارد و بازو چگونه قرار گرفته است – ایجاد کند.

این الگوریتم در هر لحظه، نیروی وارد شده به پارچه و اندازه‌گیری شده توسط ربات را به عنوان ورودی می‌گیرد و سپس موقعیت آرنج را تخمین می‌زند – نه به صورت کاملا دقیق، بلکه آن را در محدوده‌ای قرار می‌دهد که تمام موقعیت‌های ممکن را در بر می‌گیرد. این دانش به نوبه خود به ربات می‌گوید که چگونه حرکت کند.

تئودوروس استورایتیس، دانشمند مدعو در گروه رباتیک تعاملی در علوم کامپیوتر MIT و آزمایشگاه هوش مصنوعی (CSAIL) می‌گوید: «اگر بازو صاف باشد، ربات یک خط مستقیم را دنبال می‌کند و اگر بازو خم شود، ربات باید اطراف آرنج، خود را خم کند”به دست آوردن یک تصویر قابل اعتماد مهم است زیرا اگر تخمین آرنج اشتباه باشد، ربات می‌تواند برای انجام حرکتی با اعمال نیروی بیش از حد و نا امن تصمیم بگیرد.”

این الگوریتم شامل یک مدل پویا است که پیش‌بینی می‌کند حرکات بعدی بازو چگونه است و هر پیش‌بینی، با اندازه‌گیری نیرویی که در یک زمان خاص بر روی پارچه اعمال می‌شود، تصحیح می‌شود. اگرچه سایر محققان نیز پیش‌بینی‌هایی از این دست برآورد کرده‌اند، اما چیزی که این کار جدید را متمایز می‌کند این است که محققان MIT و شرکای آن‌ها می‌توانند یک حد بالایی واضح برای عدم قطعیت تعیین کنند و تضمین کنند که آرنج جایی در یک محدوده تعیین شده باشد.

 

یادگیری ماشین یا ماشین لرنینگ

مدل پیش‌بینی حرکات بازو و موقعیت آرنج و مدل اندازه‌گیری نیروی اعمال شده توسط ربات، هر دو تکنیک‌های یادگیری ماشین را در خود جای داده‌اند. داده‌های مورد استفاده برای آموزش سیستم‌های یادگیری ماشین از افرادی به‌دست آمده است که لباس‌های ردیاب حرکت Xsens با حسگرهای داخلی پوشیده بودند که حرکات بدن را به دقت ردیابی و ضبط می‌کنند.

پس از آموزش، ربات توانست حالت آرنج را هنگام پوشاندن ژاکت بر روی یک سوژه انسانی استنباط کند. (مردی که در حین این عمل بازوی خود را به طرق مختلف حرکت می‌داد – گاهی در پاسخ به کشیدن ژاکت توسط ربات و گاهی اوقات در درگیر شدن در حرکات تصادفی به خواست خودش).

انجام این کار به شدت بر روی تخمین و تا حد امکان تعیین دقیق محل آرنج و حالت بازو متمرکز بود –  اما تیم پروفسور جولی شاه از گروه رباتیک تعاملی MIT قبلاً به مرحله بعدی توسعه رباتی رفته است که می‌تواند به طور مداوم حرکات خود را در پاسخ به جابجایی در جهت بازو و آرنج تنظیم کند.

آن‌ها قصد دارند در آینده به موضوع «شخصی‌سازی» بپردازند – توسعه رباتی که بتواند روش‌های خاص حرکت افراد مختلف را توضیح دهد. در روشی مشابه، آن‌ها ربات‌هایی را در نظر می‌گیرند که به اندازه کافی همه‌کاره هستند تا با طیف متنوعی از پارچه‌ها کار کنند، که هر کدام ممکن است تا حدودی واکنش متفاوتی به کشیدن نشان دهند.

اگرچه محققان این گروه قطعاً به لباس پوشیدن به کمک ربات علاقه مند هستند، اما آنها پتانسیل این فناوری را برای کاربردهای بسیار گسترده‌تر نیز می‌شناسند. لی خاطرنشان می‌کند: «ما این الگوریتم را به هیچ وجه به طوری تخصصی نکردیم که فقط برای لباس پوشیدن کار کند. «الگوریتم ما مشکل برآورد حالت کلی را حل می‌کند و بنابراین می‌تواند کاربردهای بسیاری داشته باشد. کلید همه اینها داشتن توانایی حدس زدن یا پیش‌بینی حالت غیرقابل مشاهده است. برای مثال، چنین الگوریتمی می‌تواند یک ربات را راهنمایی کند تا اهداف شریک انسانی خود را شناسایی کند، چه برای جابجایی بلوک‌ها به روشی منظم یا چه برای چیدن میز شام باشد.