إنفيديا تكشف كيف تتدرب روبوتات على مهام دقيقة بالمحاكاة

كشفت دورة هذا الأسبوع من مؤتمر تعلم الروبوتات في أوستن بولاية تكساس الأمريكية عن تحوّل بارز في البحوث من تدريب الروبوتات على المشي والحركة إلى تعليمها مهامًا دقيقة تتطلب حساسية عالية، مثل محاذاة التروس وربط الكابلات وتجميع المكونات الصغيرة. ويتزامن هذا مع صعود الروبوتات الوكيلة، التي تدمج الوكلاء الذكيين لإنشاء أكواد يمكن تفسيرها لأنظمة روبوتية مادية. وفي هذا السياق، كشفت إنفيديا وشركاؤها عن نماذج فعل عالمية جديدة، وأدوات محاكاة مفتوحة، ومعايير قياس، وسير عمل وكيلة، فيما كانت ورقتان من إنفيديا ضمن ست أوراق نهائية لجائزة أفضل ورقة بحثية من بين آلاف المشاركات. وتقدم إنفيديا غروت ٢، نموذج فعل عالمي مفتوح مبني على كوزموس، ودُرب على بيانات روبوتية وبشرية واسعة تشمل مئة ألف ساعة من بيانات المنظار البشري المفتوحة، لتمكينه من اكتساب مهارات مناولة رشيقة. ويصنف النموذج ضمن المراكز الثلاثة الأولى في اختبارات روبوكازا ٣٦٥ وروبولاب وروبودوجو ومولمو سبيس. وبدأت جهات صناعية اختباره، إذ تستخدمه نيكسوني في معالجة الملابس، وفوكسكون في أتمتة تصنيع الخوادم، وسيمنز في سيناريوهات صناعية، فيما استخدمه فريق ميكرو إيه جي آي مع ذراع يام لتبديل كابلات الشبكة عبر سير عمل يعتمد على التدريب المعزز وأدوات إيزاك لاب ٣ ونيوتن. وترتكز البنية التدريبية على إيزاك لاب ٣، الذي يتيح للوكلاء تجهيز بيئات محاكاة بسرعة، والتبديل بين حلّال فيزياء نيوتن وفيزيكس، وتطبيق تدريب لاحق بالتعلم المعزز على النماذج الأساسية. ويسمح تكامل نيوتن بمحاكاة تشوه الكابلات والملابس والأصابع المفصلية، ما يحسّن نقل المهارات من المحاكاة إلى الواقع، ويتيح تدريب آلاف الروبوتات المتوازية مع رفع الإنتاج إلى نحو ضعف ونصف ضعف الإصدار السابق في اختبارات المناولة البصرية. وتوسّع شركات هذا الأساس: فأعلنت سايلد إيه آي محرك ستيل على نيوتن، واستخدمت فلكشن المحرك لتدريب نموذج ريفلكت، بينما تطبق فيلد إيه آي وديناميكس المحاكاة على مهام غير منظومة، وتستخدم والدن روبوتكس العرض الواقعي، وديكسميت وكلاء برمجة لتمرير استراتيجيات المناولة قبل تنفيذها على ذراع فيغا. ويظهر ألفاناست كيف تتحول الممارسة الفعالة إلى دقة، إذ تتعلم سياسة واحدة عشرين مهمة دقيقة على لوحة تجميع نيسنت مستخدمة إشارة نجاح بسيطة، وتحقق أكثر من ٩٨ في المئة من النجاح مقابل ٨١ في المئة عند تدريب سياسة لكل مهمة، مع تقليل زمن المعالجة بنحو ٣٩ ضعفًا. ويعتمد ذلك على أسلوب أخذ العينات الموجّه بالنجاح من جامعة واشنطن وإنفيديا، الذي يركز التدريب على المهام التي ينجح فيها النظام جزئيًا، ما يفتح المجال أمام أكثر من مليون بيئة محاكاة متوازية، فيما تستخدم جامعة تكساس في أوستن المحاكاة لإتاحة تدريب الطلبة قبل توفر العتاد المادي. وتنضم إلى ذلك منصات تقييم قابلة للتوسع، إذ تطرح إنفيديا نسخة جديدة من إيزاك لاب أرينا تتيح تشغيل السياسات عبر آلاف المتغيرات في وقت واحد وتحليل أسباب الإخفاق. كما تقدم معايير جديدة، منها دكس بنش الذي يتألف من ١٥ مهمة في أربعة مشاهد تغطي البيع بالتجزئة والخدمات اللوجستية والتصنيع والضيافة، ويعمل على منصة مانيفولد من بيفروست مع تحليل إخفاق وأرصدة مجانية أولية. ويعرض فابار من جامعة كاليفورنيا في بيركلي ستة مهام صناعية بمعايير قياس واضحة. وتعزز الروبوتات الوكيلة الربط بين المهارات وبرامج التشغيل، إذ يستخدم إطار غراف كسياسة من جامعة كاليفورنيا في بيركلي وكلاء لتوصيل المهارات المفردة في برامج قابلة للمراجعة، ثم اختبارها في محاكاة إنفيديا وتحسينها عند الإخفاق. ويقول كين غولدبرغ، أستاذ الروبوتات بالجامعة، إن هذه المقاربة أبرز تطور منذ الإنترنت عام ١٩٩٥، في حين تدرس أمبي روبوتكس وبوش ريسيرش وسيمنز تطبيقاتها في أتمتة صناعية متنوعة، ما يجعلها مرشحة رئيسية لانتقال الروبوتات من العروض المختبرية إلى التشغيل الموثوق.