ರೋಬೋಟ್‌ಗಳು ಅನುಭವಿಸಲು ಕಲಿಯುತ್ತವೆ

ದೈನಂದಿನ ಕಾರ್ಯಗಳ ವ್ಯಾಪಕ ಶ್ರೇಣಿಯನ್ನು ಯಶಸ್ವಿಯಾಗಿ ನಿಭಾಯಿಸಲು ರೋಬೋಟ್‌ಗಳಿಗೆ ಕೌಶಲ್ಯವು ದೊಡ್ಡ ಅಡೆತಡೆಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಸ್ಪರ್ಶದ ಅರ್ಥವು ಕೀಲಿಯಾಗಿರಬಹುದು, ಆದರೆ ಗುಣಮಟ್ಟದ ಡೇಟಾದ ಕೊರತೆಯು ಪ್ರಗತಿಗೆ ಅಡ್ಡಿಯಾಗಿದೆ. ಹೊಸ ಸ್ಪರ್ಶದ ಡೇಟಾಸೆಟ್‌ಗಳು ಮತ್ತು ಅವುಗಳನ್ನು ಬಳಸಲು ತಂತ್ರಗಳನ್ನು ನಿರ್ಮಿಸಲು ಶೈಕ್ಷಣಿಕ ಲ್ಯಾಬ್‌ಗಳು ಮತ್ತು ಸ್ಟಾರ್ಟ್‌ಅಪ್‌ಗಳು ಓಡುತ್ತಿರುವಂತೆ ಇದು ಈಗ ಬದಲಾಗಲು ಪ್ರಾರಂಭಿಸಿದೆ.

ಕಳೆದ ಕೆಲವು ವರ್ಷಗಳಲ್ಲಿ, ವಿಷನ್-ಲ್ಯಾಂಗ್ವೇಜ್-ಆಕ್ಷನ್ (VLA) ಮಾದರಿಗಳು ರೋಬೋಟ್‌ಗಳು ಹಿಂದೆಂದೂ ಎದುರಿಸದ ವಸ್ತುಗಳು ಮತ್ತು ಪರಿಸರವನ್ನು ಒಳಗೊಂಡ ಸಂಕೀರ್ಣ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಸುಧಾರಿಸಿದೆ. ಬೃಹತ್ ಪ್ರಮಾಣದ ಚಿತ್ರಗಳು, ವೀಡಿಯೋ ಮತ್ತು ಪಠ್ಯದ ಕುರಿತು ಮುಂಚಿತವಾಗಿ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ, ಮತ್ತು ನಂತರ ಕಡಿಮೆ ಸಂಖ್ಯೆಯ ಟೆಲಿಆಪರೇಟೆಡ್ ರೋಬೋಟ್ ಪ್ರದರ್ಶನಗಳ ಮೇಲೆ ಉತ್ತಮವಾಗಿ-ಟ್ಯೂನ್ ಮಾಡಲಾಗುತ್ತದೆ, ಈ VLA ಗಳು ರೋಬೋಟ್‌ಗಳಿಗೆ ದಿನನಿತ್ಯದ ಕಾರ್ಯಗಳ ಬೆಳೆಯುತ್ತಿರುವ ಶ್ರೇಣಿಯ ಮೂಲಕ ಮಾರ್ಗದರ್ಶನ ನೀಡಬಹುದು-ಲಾಂಡ್ರಿಯನ್ನು ಮಡಿಸುವುದು, ವಾಸದ ಕೋಣೆಗಳನ್ನು ಜೋಡಿಸುವುದು ಮತ್ತು ಅಡಿಗೆ ಉಪಕರಣಗಳನ್ನು ಸಹ ನಿರ್ವಹಿಸುವುದು– ವೀಡಿಯೊ ಸ್ಟ್ರೀಮ್ ಮತ್ತು ನೈಸರ್ಗಿಕ ಭಾಷೆಯ ಸೂಚನೆಗಳನ್ನು ಮಾತ್ರ ಬಳಸುವುದು.

ಆದರೆ ರೋಬೋಟ್‌ಗಳು ಇನ್ನೂ ಉತ್ತಮವಾದ ನಿಯಂತ್ರಣದ ಅಗತ್ಯವಿರುವ ಕಾರ್ಯಗಳೊಂದಿಗೆ ಹೋರಾಡುತ್ತವೆ, ಉದಾಹರಣೆಗೆ ವಿರೂಪಗೊಳಿಸಬಹುದಾದ ವಸ್ತುಗಳನ್ನು ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸುವುದು ಅಥವಾ ಸಣ್ಣ ವಸ್ತುಗಳನ್ನು ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸುವುದು – ಉದಾಹರಣೆಗೆ ಯುಎಸ್‌ಬಿ ಕೇಬಲ್ ಅನ್ನು ಪ್ಲಗ್ ಮಾಡುವುದು ಅಥವಾ ಕೀಲಿಯನ್ನು ಲಾಕ್‌ನಲ್ಲಿ ತಿರುಗಿಸುವುದು. ಇದು ಭಾಗಶಃ ಏಕೆಂದರೆ VLA ಗಳು ಈ ಸಂದರ್ಭಗಳಲ್ಲಿ ಜನರು ಅವಲಂಬಿಸಿರುವ ಮಾಹಿತಿಯ ಪ್ರಾಥಮಿಕ ಮೂಲಗಳಲ್ಲಿ ಒಂದನ್ನು ನಿರ್ಲಕ್ಷಿಸುತ್ತವೆ: ಸ್ಪರ್ಶ ಪ್ರತಿಕ್ರಿಯೆ.

ಮನುಷ್ಯರಂತೆ ಕುಶಲತೆಯಿಂದ ವರ್ತಿಸುವುದು

“ಉದ್ದದ ಕುಶಲತೆಯನ್ನು ಕಣ್ಣು ಮುಚ್ಚಿ ಜನರು ಮಾಡಬಹುದು” ಎಂದು ಅವರು ಹೇಳುತ್ತಾರೆ ಟ್ರೆವರ್ ಡಾರೆಲ್ಬರ್ಕ್ಲಿಯ ಕ್ಯಾಲಿಫೋರ್ನಿಯಾ ವಿಶ್ವವಿದ್ಯಾಲಯದಲ್ಲಿ ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನದ ಪ್ರಾಧ್ಯಾಪಕ. “ಬಲ, ಸ್ಲಿಪ್ ಮತ್ತು ನಿಖರವಾದ ಹಿಡಿತವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಸಾಂಪ್ರದಾಯಿಕ ದೃಷ್ಟಿ ಸಂವೇದಕಗಳೊಂದಿಗೆ ಉತ್ತಮವಾಗಿ ಮಾಡಬಹುದಾದ ವಿಷಯವಲ್ಲ.”

ಆದಾಗ್ಯೂ, ಸ್ಪರ್ಶ ಸಂವೇದಕಗಳ ಪರಿಣಾಮಕಾರಿ ಬಳಕೆ ಕಷ್ಟ. ಸ್ಪರ್ಶ ಸಂವೇದಕ ಡೇಟಾವು VLA ಗಳು ಸಾಮಾನ್ಯವಾಗಿ ತರಬೇತಿ ಪಡೆದ ಇಮೇಜ್ ಡೇಟಾಕ್ಕಿಂತ ವಿಭಿನ್ನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿದೆ, ಮತ್ತು ಸ್ಪರ್ಶ ಡೇಟಾಸೆಟ್‌ಗಳು ಇಂಟರ್ನೆಟ್ ಸ್ಕೇಲ್‌ನಲ್ಲಿ ಅನೇಕ ದೃಷ್ಟಿ ಮತ್ತು ಭಾಷಾ ಡೇಟಾಸೆಟ್‌ಗಳಿಗಿಂತ ತುಂಬಾ ಹಿಂದುಳಿದಿವೆ. ಇದನ್ನು ನಿವಾರಿಸಲು, ಡ್ಯಾರೆಲ್‌ನ ತಂಡವು ವಿಶೇಷವಾದ ಉಪಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುವ ಮೂಲಕ ಸ್ಪರ್ಶದ ಅರ್ಥವನ್ನು ನೀಡುವ ಮೊದಲು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಡೇಟಾ ಸೆಟ್‌ಗಳಲ್ಲಿ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು ಒಂದು ಮಾರ್ಗವನ್ನು ರೂಪಿಸಿತು. 100 ಗಂಟೆಗಳ ವಿಶೇಷವಾಗಿ ಸಂಗ್ರಹಿಸಲಾದ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಸ್ಪರ್ಶ ಡೇಟಾ 200 ಕ್ಕೂ ಹೆಚ್ಚು ವಿವಿಧ ಗೃಹೋಪಯೋಗಿ ವಸ್ತುಗಳನ್ನು ಬಳಸಿ ಒರೆಸುವುದು, ಹಿಡಿಯುವುದು, ತಿರುಚುವುದು ಅಥವಾ ಸುರಿಯುವುದು ಮುಂತಾದ ಸಾಮಾನ್ಯ ಕ್ರಿಯೆಗಳ ಪ್ರದರ್ಶನಗಳು ಸೇರಿದಂತೆ.

ಸ್ಪರ್ಶ ಡೇಟಾವನ್ನು ಬಳಸುವುದು ಸರಳವಾಗಿರಲಿಲ್ಲ. ರೋಬೋಟ್ ವಸ್ತುವನ್ನು ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸುವಾಗ ನೈಜ ಸಮಯದಲ್ಲಿ ಅದರ ಹಿಡಿತವನ್ನು ಸರಿಪಡಿಸಲು ಸ್ಪರ್ಶ ಸಂಕೇತವನ್ನು ಬಳಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಆದರೆ ಹೆಚ್ಚಿನ ದೃಶ್ಯ ಭಾಷಾ ಮಾದರಿಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸುವುದಕ್ಕಿಂತ ಇದಕ್ಕೆ ವೇಗವಾದ ಪ್ರತಿಕ್ರಿಯೆ ಸಮಯಗಳು ಬೇಕಾಗುತ್ತವೆ. ಆ ಅಸಾಮರಸ್ಯವು ಗಮನಾರ್ಹವಾದ ಸವಾಲಾಗಿದೆ, ಆದ್ದರಿಂದ ತಂಡವು “ತಜ್ಞರು” ಎಂದು ಕರೆಯಲ್ಪಡುವ ಪ್ರತ್ಯೇಕ ಉಪಮಾಡೆಲ್‌ಗಳನ್ನು ಬಳಸಿದೆ, ಉನ್ನತ ಮಟ್ಟದ ಕ್ರಮಗಳು ಮತ್ತು ಕಡಿಮೆ ಮಟ್ಟದ ಸ್ಪರ್ಶ ನಿಯಂತ್ರಣವನ್ನು ನಿರ್ವಹಿಸಲು ಸ್ಪರ್ಶ ಪ್ರತಿಕ್ರಿಯೆಯು ಉಪಯುಕ್ತವಾಗಲು ಸಾಕಷ್ಟು ವೇಗವಾಗಿರುತ್ತದೆ.

ಆಕ್ಷನ್ ಎಕ್ಸ್‌ಪರ್ಟ್ ಮೋಷನ್ ಪ್ಲಾನ್‌ಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಆದರೆ ಟಚ್ ಎಕ್ಸ್‌ಪರ್ಟ್, ನಾಲ್ಕು ಪಟ್ಟು ವೇಗವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ರೋಬೋಟ್ ನಡೆಯುವಾಗ ಏನು ಭಾವಿಸುತ್ತದೆ ಎಂಬುದರ ಆಧಾರದ ಮೇಲೆ ನೈಜ ಸಮಯದಲ್ಲಿ ಚಲನೆಯ ಯೋಜನೆಯನ್ನು ಹೊಂದಿಸಲು ಸ್ಪರ್ಶದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಬಳಸುತ್ತದೆ. ನಂತರ ಮಾದರಿಯು ಸುಮಾರು 100 ಟೆಲಿ ಆಪರೇಟೆಡ್ ಪ್ರಾತ್ಯಕ್ಷಿಕೆಗಳ ಮೇಲೆ ತುಲನಾತ್ಮಕವಾಗಿ ಸಂಕೀರ್ಣವಾದ ಮ್ಯಾನಿಪ್ಯುಲೇಶನ್ ಕಾರ್ಯಗಳ ಮೇಲೆ ಉತ್ತಮವಾಗಿ-ಟ್ಯೂನ್ ಮಾಡಲ್ಪಟ್ಟಿತು, ಉದಾಹರಣೆಗೆ ಲೈಟ್ ಬಲ್ಬ್‌ನಲ್ಲಿ ಸ್ಕ್ರೂಯಿಂಗ್ ಮಾಡುವುದು, ಟೂತ್‌ಪೇಸ್ಟ್ ಅನ್ನು ಟೂತ್‌ಬ್ರಷ್‌ಗೆ ಅನ್ವಯಿಸುವುದು ಅಥವಾ ಟ್ರೇಗಳ ನಡುವೆ ಮೊಟ್ಟೆಯನ್ನು ವರ್ಗಾಯಿಸುವುದು, ಅಲ್ಲಿ ಅದು 12 ಕಾರ್ಯಗಳಲ್ಲಿ 65 ಪ್ರತಿಶತ ಯಶಸ್ಸಿನ ದರವನ್ನು ಸಾಧಿಸಿತು-ಅತ್ಯುತ್ತಮ VLA ಮಾದರಿಯ ಎರಡು ಪಟ್ಟು.

ಡೇಟಾ ವೈವಿಧ್ಯತೆ

ಡಾರೆಲ್ ಒಪ್ಪಿಕೊಳ್ಳುವ ಒಂದು ಮಿತಿಯೆಂದರೆ, ಅವನ ಡೇಟಾವು ರೋಬೋಟಿಕ್ ಹಾರ್ಡ್‌ವೇರ್‌ನ ಒಂದು ನಿದರ್ಶನದಿಂದ ಬಂದಿದೆ. ರೋಬೋಟ್ ಕೈಗಳು ಐದು ಬೆರಳುಗಳಿಂದ ಸಂಪೂರ್ಣವಾಗಿ ಸ್ಪಷ್ಟವಾದ ಮಾದರಿಗಳಿಂದ ಹಿಡಿದು ಸರಳವಾದ ಗ್ರಿಪ್ಪರ್‌ಗಳವರೆಗೆ ಮತ್ತು ಸ್ಪರ್ಶ ಸಂವೇದಕಗಳು ಮೂಲಭೂತವಾಗಿ ವಿಭಿನ್ನ ಭೌತಶಾಸ್ತ್ರವನ್ನು ಅವಲಂಬಿಸಬಹುದು, ಪ್ರತಿರೋಧದಲ್ಲಿನ ಬದಲಾವಣೆಗಳನ್ನು ಅಳೆಯುವುದರಿಂದ ಹಿಡಿದು ಮೃದುವಾದ ಜೆಲ್ ಪ್ಯಾಡ್‌ನ ವಿರೂಪತೆಯ ಚಿತ್ರಗಳನ್ನು ರೆಕಾರ್ಡಿಂಗ್ ಮಾಡುವವರೆಗೆ. ಇದು ಅತ್ಯಂತ ಸ್ಪರ್ಶದ AI ಸಂಶೋಧನಾ ಸಂವೇದಕವನ್ನು-ನಿರ್ದಿಷ್ಟಗೊಳಿಸುತ್ತದೆ ಎಂದು ಅವರು ಹೇಳುತ್ತಾರೆ ಚೆಂಗ್ಬೋ ಯುವಾನ್ಬೀಜಿಂಗ್‌ನ ಸಿಂಘುವಾ ವಿಶ್ವವಿದ್ಯಾನಿಲಯದಲ್ಲಿ ಸ್ನಾತಕೋತ್ತರ ವಿದ್ಯಾರ್ಥಿ, ಮತ್ತು ಇದು ಡೇಟಾವನ್ನು ಹಂಚಿಕೊಳ್ಳಲು ಮತ್ತು ಗುಂಪುಗಳ ನಡುವೆ ಕಲಿಕೆಯನ್ನು ವರ್ಗಾಯಿಸಲು ಕಷ್ಟವಾಗುತ್ತದೆ.

ಯುವಾನ್ ಇತ್ತೀಚೆಗೆ ಈ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ಹೊರಟರು ಒಟ್ಟು 3,000 ಗಂಟೆಗಳಿಗಿಂತ ಹೆಚ್ಚು 21 ಸಂವೇದಕ ಪ್ರಕಾರಗಳು ಮತ್ತು ವಿವಿಧ ರೋಬೋಟ್ ರೂಪಾಂತರಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿರುವ ಡೇಟಾಸೆಟ್‌ಗಳಿಂದ ಸ್ಪರ್ಶ ರೋಬೋಟಿಕ್ಸ್ ಡೇಟಾ. ಓಪನ್ ಎಕ್ಸ್-ಎಂಬಾಡಿಮೆಂಟ್ ಸಹಯೋಗದಂತಹ ಪ್ರಯತ್ನಗಳಿಂದ ಅವರು ಸ್ಫೂರ್ತಿ ಪಡೆದಿದ್ದಾರೆ ಎಂದು ಯುವಾನ್ ಹೇಳುತ್ತಾರೆ, ಇದು ಅನೇಕ ರೋಬೋಟ್‌ಗಳಿಂದ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಿದೆ ಮತ್ತು ತರಬೇತಿಯಲ್ಲಿ ಬಳಕೆಯಾಗದ ಹಾರ್ಡ್‌ವೇರ್‌ಗೆ ಸಾಮಾನ್ಯೀಕರಿಸುವ ಮಾದರಿಗಳಿಗೆ ಕಾರಣವಾಯಿತು. ಯುವಾನ್ ತಂಡವು ನಂತರ ಹಾರ್ಡ್‌ವೇರ್-ಅಜ್ಞೇಯತಾವಾದಿ ಮಾದರಿಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿದ್ದು ಅದು ಪ್ರತಿ ಸಂವೇದಕದ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಹಂಚಿಕೆಯ ಸ್ವರೂಪಕ್ಕೆ ಪರಿವರ್ತಿಸುವ ಮೂಲಕ ಮತ್ತು ಅದನ್ನು ಮಾನವ ಕೈಯ ಟೆಂಪ್ಲೇಟ್‌ನಲ್ಲಿ ಲೇಬಲ್ ಮಾಡಲಾದ ಸ್ಥಾನಗಳಿಗೆ ಮ್ಯಾಪ್ ಮಾಡುವ ಮೂಲಕ ಈ ವೈವಿಧ್ಯಮಯ ಡೇಟಾದ ಮೇಲೆ ತರಬೇತಿ ನೀಡಬಹುದು. ಈ ಮಾದರಿಯು ಬೇಸ್ ಮಾಡೆಲ್‌ಗಿಂತ ಹೆಚ್ಚು ಯಶಸ್ವಿಯಾಗಿದೆ, ಹಾರ್ಡ್‌ವೇರ್‌ನಲ್ಲಿ ಇದು ಹಿಂದೆಂದೂ ಎದುರಿಸಿರಲಿಲ್ಲ. ಯುವಾನ್ ಅವರು ಅಂತಹ ವೈವಿಧ್ಯಮಯ ಸಂರಚನೆಗಳ ಮೇಲೆ ತರಬೇತಿ ನೀಡುವ ಮೂಲಕ “ಸ್ಪರ್ಶ ಜ್ಞಾನದ ಒಂದು ರೀತಿಯ ಸಾಮಾನ್ಯ ಜ್ಞಾನವನ್ನು” ಪಡೆದುಕೊಳ್ಳುತ್ತಾರೆ ಎಂಬ ಅಂಶದಿಂದಾಗಿ.

ಚೇಸಿಂಗ್ ಸ್ಕೇಲ್

ಭರವಸೆಯ ಫಲಿತಾಂಶಗಳ ಹೊರತಾಗಿಯೂ, ಹೆಚ್ಚು ಸ್ಪರ್ಶದ ಡೇಟಾ ಅಗತ್ಯವಿದೆ ಎಂದು ಯುವಾನ್ ನಂಬುತ್ತಾರೆ ಮತ್ತು ಸ್ಪರ್ಶ ಡೇಟಾ ಸಂಗ್ರಹಣೆ ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗೆ ಪ್ರಮಾಣಿತ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ದೊಡ್ಡದಾದ ದೂರದರ್ಶನದ ಪ್ರದರ್ಶನಗಳನ್ನು ಜೋಡಿಸಲು ಅವರ ಗುಂಪು ಈಗ 80-ಸಂಸ್ಥೆಗಳ ಸಹಯೋಗವನ್ನು ಮುನ್ನಡೆಸುತ್ತಿದೆ. ಏತನ್ಮಧ್ಯೆ, ಶಾಂಘೈ ಫುಡಾನ್ ವಿಶ್ವವಿದ್ಯಾಲಯ ಮತ್ತು ಅದರ ಸ್ಪಿನ್-ಔಟ್ ನಿಯೋಟಿಎಐ ಅವರು ಈಗಾಗಲೇ ಉತ್ಪಾದಿಸಿದ್ದಾರೆ ಸ್ಪರ್ಶ ಡೇಟಾದ ಒಂದು ಸೆಟ್ ಹಿಂದಿನ ಪ್ರಯತ್ನಗಳಿಗಿಂತ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಕ್ರಮ. ಬಳಸಲಾಗುತ್ತಿದೆ ಸ್ವಾಮ್ಯದ ಸಂವೇದಕ ವೈವಿಧ್ಯಮಯ ರೊಬೊಟಿಕ್ ತೋಳುಗಳು ಮತ್ತು ಕೈಯಲ್ಲಿ ಹಿಡಿಯುವ ಮಾನವ-ಚಾಲಿತ ಗ್ರಿಪ್ಪರ್‌ಗೆ ಲಗತ್ತಿಸಲಾಗಿದೆ, ಅವರು ಸಿಂಕ್ರೊನೈಸ್ ಮಾಡಿದ ದೃಶ್ಯ ಮತ್ತು ಸ್ಪರ್ಶ ಡೇಟಾದೊಂದಿಗೆ 30,000 ಗಂಟೆಗಳ ಪ್ರದರ್ಶನಗಳನ್ನು ಸಂಗ್ರಹಿಸಿದರು.

ಸಂಶೋಧಕರು ಈ ಡೇಟಾವನ್ನು ಬಳಸಿದ್ದಾರೆ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಿ ಅದು ಸ್ಪರ್ಶಕ್ಕೆ ಪ್ರತಿಕ್ರಿಯಿಸುವುದು ಮಾತ್ರವಲ್ಲದೆ, ಕಾರ್ಯನಿರ್ವಹಣೆಯನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಸುಧಾರಿಸಲು ಮಾರ್ಗದರ್ಶನ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಸಹಾಯ ಮಾಡಲು ರೋಬೋಟ್ ಏನನ್ನು ಅನುಭವಿಸಬೇಕು ಎಂಬುದನ್ನು ಪೂರ್ವಭಾವಿಯಾಗಿ ಊಹಿಸುತ್ತದೆ. ಶುನ್ಲಿನ್ ಲುಫುಡಾನ್ ವಿಶ್ವವಿದ್ಯಾನಿಲಯದ ಪೋಸ್ಟ್‌ಡಾಕ್ಟರಲ್ ಸಂಶೋಧಕರು ಮತ್ತು ನಿಯೋಟೆಎಐನ ಸಿಟಿಒ, ಫಲಿತಾಂಶಗಳು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಮತ್ತು ವೈವಿಧ್ಯಮಯ ಸ್ಪರ್ಶ ಡೇಟಾಗೆ ಪ್ರವೇಶವು ಗಮನಾರ್ಹ ಕಾರ್ಯಕ್ಷಮತೆಯ ಲಾಭಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ ಎಂಬುದಕ್ಕೆ ಸ್ಪಷ್ಟ ಪುರಾವೆಯಾಗಿದೆ ಎಂದು ಹೇಳುತ್ತಾರೆ.

ಸ್ಪರ್ಶದ ಘಟಕದೊಂದಿಗೆ ರೋಬೋಟ್ ಮ್ಯಾನಿಪ್ಯುಲೇಷನ್ ನೀತಿಗಳು ನೈಜ-ಪ್ರಪಂಚದ ವಿವಿಧ ಕಾರ್ಯಗಳಲ್ಲಿ ಸುಧಾರಿತ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ.ನಿಯೋಟಿಎಐ

ಹ್ಯಾಪ್ಟಿಕ್ ಡೇಟಾವನ್ನು ಸ್ಕೇಲಿಂಗ್ ಮಾಡುವ ಮತ್ತೊಂದು ವಿಧಾನವೆಂದರೆ ಈಗಾಗಲೇ ಸಂಗ್ರಹಿಸಲಾದ ದೊಡ್ಡ ಪ್ರಮಾಣದ ದೃಶ್ಯ ರೊಬೊಟಿಕ್ಸ್ ಡೇಟಾವನ್ನು ಟ್ಯಾಪ್ ಮಾಡುವುದು. ಇತ್ತೀಚೆಗೆ ಲಾಸ್ ಏಂಜಲೀಸ್‌ನ ದಕ್ಷಿಣ ಕ್ಯಾಲಿಫೋರ್ನಿಯಾ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಸಂಶೋಧಕರು ಮಾದರಿಯನ್ನು ಪ್ರಾರಂಭಿಸಿದರು ಸಾಧನದಲ್ಲಿನ ಕ್ಯಾಮರಾದಿಂದ ಸ್ಪರ್ಶದ ಡೇಟಾ ಮತ್ತು ಚಿತ್ರಗಳೆರಡನ್ನೂ ರೆಕಾರ್ಡ್ ಮಾಡುವ ಹ್ಯಾಂಡ್ಹೆಲ್ಡ್ ಗ್ರಿಪ್ಪರ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು 2,700 ಕ್ಕೂ ಹೆಚ್ಚು ದೈನಂದಿನ ನಿರ್ವಹಣೆ ಪ್ರದರ್ಶನಗಳಲ್ಲಿ ತರಬೇತಿ ನೀಡುವ ಮೂಲಕ ದೃಶ್ಯ ಡೇಟಾದಿಂದ ಸ್ಪರ್ಶದ ಮಾಹಿತಿಯನ್ನು ಊಹಿಸಲು ಕಲಿತರು. ಮಾದರಿಯು ವಸ್ತುಗಳೊಂದಿಗೆ ಸಂಪರ್ಕ ಸಾಧಿಸುವ ಗ್ರಿಪ್ಪರ್‌ನ ಚಿತ್ರಗಳು ಮತ್ತು ಆ ಸಮಯದಲ್ಲಿ ಸ್ಪರ್ಶ ಸಂವೇದಕಗಳು ಗ್ರಹಿಸಿದ ಒತ್ತಡದ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಕಲಿತುಕೊಂಡಿತು, ಸ್ಪರ್ಶ ಸಂವೇದಕಗಳಿಲ್ಲದ ರೋಬೋಟ್‌ಗಳಿಗೆ ಸಹ ಸ್ಪರ್ಶದ ಮೂಲ ಪ್ರಜ್ಞೆಯನ್ನು ನೀಡುತ್ತದೆ, ಇದು ಸ್ಪರ್ಶ-ಸಮೃದ್ಧ ಕುಶಲ ಕಾರ್ಯಗಳಿಗೆ ವಿಶೇಷವಾಗಿ ಉಪಯುಕ್ತವಾಗಿದೆ ಎಂದು ಸಂಶೋಧಕರು ತೋರಿಸಿದರು. ಆದರೆ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ದೃಷ್ಟಿ ಡೇಟಾಸೆಟ್‌ಗಳಿಗೆ ಸ್ಪರ್ಶ ಡೇಟಾವನ್ನು ಸೇರಿಸಲು ಜನರೇಟರ್ ಅನ್ನು ಬಳಸುವುದು ಅವರ ವಿಶಾಲ ಮಹತ್ವಾಕಾಂಕ್ಷೆಯಾಗಿದೆ.

ಕೌಶಲ್ಯಪೂರ್ಣ ಕಾರ್ಯಗಳಲ್ಲಿನ ಪ್ರಗತಿಗೆ ಎಷ್ಟು ಸ್ಪರ್ಶದ ಡೇಟಾ ಬೇಕಾಗುತ್ತದೆ ಎಂಬುದು ಅಸ್ಪಷ್ಟವಾಗಿದೆ. ಇಲ್ಲಿಯವರೆಗೆ, ಸ್ಪರ್ಶ ತರಬೇತಿಯ ಮುಖ್ಯ ಕೊಡುಗೆಯೆಂದರೆ ಈಗಾಗಲೇ ಕೈಯಲ್ಲಿರುವ ಕಾರ್ಯಗಳಲ್ಲಿ ರೋಬೋಟ್‌ಗಳನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾಡುವುದು, ಉದಾಹರಣೆಗೆ ವಸ್ತುಗಳನ್ನು ಆರಿಸುವುದು ಮತ್ತು ಇರಿಸುವುದು ಎಂದು ಯುವಾನ್ ಹೇಳುತ್ತಾರೆ, ಮತ್ತು ಸ್ಪರ್ಶವಿಲ್ಲದೆ ನಿಜವಾಗಿಯೂ ಅಸಾಧ್ಯವಾದ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಹೊಸ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಬೇಕಾಗಬಹುದು ಎಂದು ಅವರು ಶಂಕಿಸಿದ್ದಾರೆ.

ಲಾಂಗ್ ಚೆಂಗ್ ಚೀನೀ ಅಕಾಡೆಮಿ ಆಫ್ ಸೈನ್ಸಸ್ ಸಹ ಕಚ್ಚಾ ಡೇಟಾವು ರಾಮಬಾಣವಲ್ಲ ಎಂದು ನಂಬುತ್ತದೆ. “ಡೇಟಾ ಉತ್ತಮವಾಗಿದೆ,” ಅವರು ಹೇಳುತ್ತಾರೆ. “ಆದರೆ ಅವುಗಳನ್ನು ಸರಿಯಾಗಿ ಬಳಸುವುದು ಹೇಗೆ ಎಂಬುದು ಇನ್ನೊಂದು ವಿಷಯ.” ಸಮಸ್ಯೆ, ಅವರು ಗಮನಿಸುತ್ತಾರೆ, ದೃಷ್ಟಿ ನಿರಂತರವಾದ, ಹೆಚ್ಚಿನ-ಬ್ಯಾಂಡ್‌ವಿಡ್ತ್ ಪಿಕ್ಸೆಲ್‌ಗಳ ಸ್ಟ್ರೀಮ್ ಅನ್ನು ಒದಗಿಸುತ್ತದೆ, ಆದರೆ ಸ್ಪರ್ಶ ಸಂಕೇತಗಳು ವಿರಳ ಮತ್ತು ಮಧ್ಯಂತರವಾಗಿರುತ್ತವೆ, ಆದ್ದರಿಂದ ಮಾದರಿಗಳು ಅವುಗಳನ್ನು ನಿರ್ಲಕ್ಷಿಸಲು ಕಲಿಯುತ್ತವೆ. ಇದರ ಪರಿಹಾರವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ IROS 2026 ಈ ತಿಂಗಳ ನಂತರ, ಇದು ರೋಬೋಟ್ ಕೇವಲ ದೃಷ್ಟಿಯಿಂದ ಏನನ್ನು ಗ್ರಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಊಹಿಸುವ ಮಾದರಿಯಾಗಿದೆ ಮತ್ತು ನಂತರ ಅದನ್ನು ನಿಜವಾದ ಸ್ಪರ್ಶದ ಇನ್‌ಪುಟ್‌ಗೆ ಹೋಲಿಸುತ್ತದೆ. ಇವೆರಡರ ನಡುವಿನ ದೊಡ್ಡ ಅಂತರ ಎಂದರೆ ರೋಬೋಟ್ ತಪ್ಪಿಹೋಗುವ ಯಾವುದನ್ನಾದರೂ ಸಂವೇದಕ ಪತ್ತೆ ಮಾಡುತ್ತದೆ, ಆದ್ದರಿಂದ ಈ ಆಶ್ಚರ್ಯಕರ ಸಂಕೇತಗಳನ್ನು ವರ್ಧಿಸಲಾಗುತ್ತದೆ, ಆದರೆ ಊಹಿಸಬಹುದಾದವುಗಳು ದುರ್ಬಲಗೊಳ್ಳುತ್ತವೆ. ಐದು ಟಚ್-ರಿಚ್ ಕಾರ್ಯಗಳಿಗಾಗಿ, ವಿಧಾನವು ಸರಾಸರಿ 62.8% ಯಶಸ್ಸನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಅದೇ ನೋ-ಟಚ್ ಮಾದರಿಗೆ 28.2%.

ಭಾಷೆ ಮತ್ತು ದೃಷ್ಟಿಯಂತಹ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಕಂಡುಬರುವಂತೆಯೇ ಡೇಟಾ ಸ್ಕೇಲಿಂಗ್ ಪ್ರಯೋಜನಗಳನ್ನು ಹೊಂದಬಹುದು ಎಂದು ಲು ಹೆಚ್ಚು ವಿಶ್ವಾಸ ಹೊಂದಿದ್ದಾರೆ. 100,000 ಗಂಟೆಗಳ ಹತ್ತಿರ, ಲ್ಯಾಬ್‌ಗಿಂತ ಹೆಚ್ಚಾಗಿ ವಿವಿಧ ನೈಜ-ಪ್ರಪಂಚದ ಸೆಟ್ಟಿಂಗ್‌ಗಳಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ, ಹೊಸ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಅನ್ಲಾಕ್ ಮಾಡಬಹುದು ಎಂದು ಅವರು ಊಹಿಸುತ್ತಾರೆ. ಆದಾಗ್ಯೂ, ಕ್ಷೇತ್ರವು ಈಗ ಕೆಲವು ಆರಂಭಿಕ ಚಿಹ್ನೆಗಳನ್ನು ಹೊಂದಿದೆ, ದೊಡ್ಡ ಸ್ಪರ್ಶ ಡೇಟಾ ಸೆಟ್‌ಗಳು ಮತ್ತು ಅವುಗಳನ್ನು ಬಳಸಲು ಚುರುಕಾದ ಮಾರ್ಗಗಳು ರೋಬೋಟ್‌ಗಳಿಗೆ ಕೆಲವು ಕಷ್ಟಕರವಾದ ಕಾರ್ಯಗಳಲ್ಲಿ ಗಮನಾರ್ಹವಾದ ಉತ್ತೇಜನವನ್ನು ನೀಡಬಹುದು. “ಸ್ಪರ್ಶ ಬುದ್ಧಿವಂತಿಕೆಯು ಭೌತಿಕ AI ಗೆ ಮುಂದಿನ ಹಂತವಾಗಿದೆ ಎಂದು ನಾನು ಭಾವಿಸುತ್ತೇನೆ” ಎಂದು ಲು ಹೇಳುತ್ತಾರೆ.