ระบบที่ช่วยให้หุ่นยนต์ทำงานภาษาธรรมชาติได้อย่างมีประสิทธิภาพ

คุณกำลังฝันถึงอนาคตที่หุ่นยนต์ถูกนำมาใช้ในกิจกรรมต่างๆ เพื่อที่เราจะได้ไม่ต้องทำเองหรือไม่?

มาคิดเกี่ยวกับมัน! การทำความสะอาด ทำอาหาร ทำงานบ้านทั้งหมดของเราเป็นเพียงส่วนหนึ่งของความเป็นไปได้ที่น่าอัศจรรย์ ช่างเป็นโอกาสที่ยอดเยี่ยมจริงๆเหรอ? น่าเสียดายที่ตอนนี้คุณจะต้องฝันต่อไป

ในขณะที่มีบ้าง หุ่นยนต์มหัศจรรย์ ที่มีอยู่จริง หุ่นยนต์ยังไม่สามารถปรับเปลี่ยนได้มากพอที่จะทำกิจกรรมต่างๆ ในลักษณะนี้ได้อย่างมีประสิทธิภาพ ยิ่งกว่านั้น แม้ว่าเทคโนโลยีการรู้จำเสียงพูดจะก้าวหน้าไปอย่างก้าวกระโดด แต่ก็ยังไม่ดีพอสำหรับใช้กับหุ่นยนต์

ทางออกที่ดีที่สุดของคุณสำหรับบางสิ่งเช่นพ่อบ้านหุ่นยนต์สมมุติเพื่อทำตามคำแนะนำของคุณคือพิมพ์ชุดคำสั่ง

คำสั่งเสียง

ปัญหาของคำสั่งที่พูดคือคำสั่งเหล่านี้มีระดับความซับซ้อนที่แตกต่างกัน แม้ว่าสิ่งนี้อาจไม่ชัดเจนเสมอไป

ลองนึกภาพบอกหุ่นยนต์ของคุณว่า "หยิบกล่องนั่นตรงนั้น" นี้ดูเหมือนง่ายพอแต่มีปัญหา หุ่นยนต์ของคุณจะต้องแบ่งสิ่งนี้ออกเป็นหลายขั้นตอนก่อนที่จะดำเนินการให้เสร็จสิ้น สถานการณ์สมมติที่เป็นไปได้สำหรับการดำเนินการคำสั่งนี้คือ:

• เปิดระบบติดตาม
• เปิดมอเตอร์เดินได้
• เปลี่ยนทิศทาง
• ทำตามขั้นตอนที่จำเป็น
• หมุนแขนขา
• กล่องหนีบ
• กล่องยก

อย่างที่คุณเห็น ความจริงแล้วสิ่งนี้ซับซ้อนกว่าที่เคยเป็นมา ลองนึกภาพคำสั่งนั้นเทียบกับบางอย่างเช่น "เปิดระบบติดตามของคุณ" แม้ว่าจำนวนคำที่ใช้ในการให้คำสั่ง 2 คำสั่งนี้จะใกล้เคียงกัน แต่ระดับความซับซ้อนของคำเหล่านั้นก็แยกจากกัน

เราจะแก้ปัญหานี้ได้อย่างไร? ในตอนนี้ หุ่นยนต์จะมีปัญหาในการหาระดับความซับซ้อนต่างๆ ของคำสั่งเสียงพูด

ไม่ต้องกลัวทีมงานที่ มหาวิทยาลัยบราวน์ ได้พัฒนาระบบที่ปรับปรุงวิธีที่หุ่นยนต์จัดการกับคำสั่งเสียง

วิธีทำให้หุ่นยนต์ของคุณเชื่อฟังคำสั่งของคุณ: ระบบที่ช่วยให้หุ่นยนต์ดำเนินการคำสั่งที่พูดได้อย่างมีประสิทธิภาพ

นักวิจัยที่ Brown ใช้ข้อมูลที่ได้รับเพื่อฝึกระบบเพื่อให้เข้าใจถึงระดับความซับซ้อนที่แตกต่างกัน จากนั้นระบบก็สามารถรวบรวมสิ่งที่จำเป็นต้องดำเนินการและทำความเข้าใจระดับความซับซ้อนที่เกี่ยวข้องกับโครงสร้างประโยคต่างๆ

ทีมงานที่มหาวิทยาลัยบราวน์ตัดสินใจที่จะจัดการกับปัญหาในการให้หุ่นยนต์สั่งงานด้วยเสียงโดยใช้ระบบที่ชาญฉลาด พวกเขาใช้ทั้งของอเมซอน เติร์กเครื่องกล รวมถึงเครื่องมือที่เรียกว่า Virtual Cleanup World เพื่อพัฒนาโมเดลของพวกเขา

Cleanup World เสมือนเป็นโดเมนงานเสมือน ประกอบด้วยห้องรหัสสี หุ่นยนต์เสมือนจริง และวัตถุสำหรับหุ่นยนต์เพื่อทำงาน

อาสาสมัครที่ Mechanical Turk ค้นพบชุดคำสั่งที่นำไปสู่การดำเนินการเฉพาะในโลกของ Cleanup อย่างแรก พวกเขาสังเกตหุ่นยนต์ขณะที่มันทำงานต่างๆ

จากนั้นพวกเขาถูกถามว่าชุดคำสั่งใดที่พวกเขาคิดว่าจะทำงานได้ดีกว่า อาสาสมัครถูกขอให้สร้างคำสั่งระดับสูง ระดับกลาง และระดับต่ำ

คำสั่งระดับสูงคือคำสั่งเช่นสั่งให้หุ่นยนต์ยกเก้าอี้ไปที่ห้องที่มีสีเฉพาะ คำสั่งระดับต่ำเป็นคำสั่งที่แบ่งออกเป็นหลายขั้นตอน คำสั่งระดับกลางรวมคุณสมบัติของคำสั่งระดับสูงและระดับต่ำไว้ด้วยกัน

นักวิจัยที่ Brown ใช้ข้อมูลที่ได้รับเพื่อฝึกระบบเพื่อให้เข้าใจถึงระดับความซับซ้อนที่แตกต่างกัน จากนั้นระบบก็สามารถรวบรวมสิ่งที่จำเป็นต้องดำเนินการและทำความเข้าใจระดับความซับซ้อนที่เกี่ยวข้องกับโครงสร้างประโยคต่างๆ

นำระบบไปทดสอบ

เมื่อหุ่นยนต์สามารถค้นหาผลลัพธ์ที่ต้องการ รวมทั้งเข้าใจระดับความซับซ้อนของงาน พวกเขาก็ทำงานเสร็จภายในเวลาเพียง 1 วินาที 90 เปอร์เซ็นต์ของเวลา

จากสิ่งนี้ มันสามารถวางแผนที่เหมาะสมตามคำสั่งที่ได้รับ หลังจากฝึกระบบของพวกเขาแล้ว ก็ถึงเวลาทดสอบผลงานของพวกเขา การวิจัยใช้ประโยชน์จาก Cleanup World อีกครั้งเช่นเดียวกับหุ่นยนต์จริงที่ทำงานในพื้นที่ทางกายภาพที่ตั้งค่าคล้ายกับ Cleanup World เสมือนจริง

เมื่อหุ่นยนต์สามารถค้นหาผลลัพธ์ที่ต้องการ รวมทั้งเข้าใจระดับความซับซ้อนของงาน พวกเขาก็ทำงานเสร็จภายในเวลาเพียง 1 วินาที 90 เปอร์เซ็นต์ของเวลา

อย่างไรก็ตาม เมื่อมีการแยกย่อยในการทำความเข้าใจระดับความซับซ้อน งานเสร็จก็ใช้เวลานานขึ้น ในกรณีนี้ หุ่นยนต์ต้องใช้เวลา 20 วินาทีหรือมากกว่าในการวางแผนเพื่อทำงานให้เสร็จ

นักวิจัยจะต้องค้นหาวิธีการลดความเสียหายเหล่านี้ให้น้อยที่สุดเพื่อสร้างระบบที่มีประสิทธิภาพมากขึ้น

ความคิดสุดท้าย

หุ่นยนต์ยังคงมีทางไปค่อนข้างมากก่อนที่จะเป็นกระแสหลัก อย่างไรก็ตาม งานนี้ทำให้เราใกล้ชิดกับการมีหุ่นยนต์ที่เข้าใจคำสั่งที่เราสั่งได้ง่ายมากขึ้น ถึงเวลานั้น ไปล้างจานเอง