Tactus: Open-Vocabulary Object Recognition from Low-Cost Pressure Arrays
تكتوس (Tactus) هو نموذج للتعرف اللمسي مفتوح المفردات يستفيد من التدريب المسبق للمشفر التلقائي المقنع على مصفوفات ضغط مقاومة منخفضة التكلفة لتحقيق أداء رائد في معيار (STAG) باستخدام 187 تسجيلاً مصنفاً فقط، مما يثبت أن التعرف الفعال على الأشياء القائم على اللمس لا يتطلب مستشعرات بصرية أو مجموعات بيانات خاضعة للإشراف واسعة النطاق.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
لغة اللمس السرية
تخيل روبوتًا يمكنه رؤية العالم بشكل مثالي، لكنه أعمى عن الشعور بالمصافحة. يمكنه رصد كوب قهوة على طاولة، ولكن إذا أمسك الكوب وتغطت الكاميرا بستارة، سيضيع الروبوت فجأة. لن يعرف ما إذا كان يمسك كوبًا، أو كرة، أو لا شيء على الإطلاق. هنا يأتي دور "الاستشعار اللمسي" (tactile sensing)—وهو علم منح الآلات حاسة اللمس. لفترة طويلة، حاول الباحثون تعليم الروبوتات "الرؤية" بأصابعها باستخدام كاميرات متطورة داخل هلام (جل) ناعم ومرن، لكن هذه الكاميرات باهظة الثمن وهشة. ومع ذلك، فإن العالم الحقيقي مليء بمستشعرات الضغط الرخيصة والمتينة الموجودة في كل شيء، من القفازات الذكية إلى أيدي الروبوتات. هذه المستشعرات لا تلتقط صورًا؛ بل تقيس فقط مدى قوة الضغط في نقاط مختلفة. السؤال الكبير الذي طرحه العلماء هو: هل يمكننا تعليم الروبوت فهم ما يمسكه بمجرد قراءة خرائط الضغط البسيطة هذه، وهل يمكنه القيام بذلك دون الحاجة إلى قائمة محددة من الأشياء لحفظها؟ بعبارة أخرى، هل يمكنه النظر إلى خريطة ضغط والقول: "هذا ملمسه مثل الكوب"، من خلال فهم لغة اللمس؟
تكتوس (Tactus): تعليم الروبوت "قراءة" الضغط
هنا يظهر تكتوس (Tactus)، وهو نموذج ذكاء اصطناعي جديد يعمل كمترجم بين لغة الضغط الصامتة ولغة البشر المنطوقة. بنى الباحثون هذا النموذج للإجابة على الأسئلة النصية باستخدام البيانات المستمدة فقط من مستشعر ضغط منخفض التكلفة. تخيل أن لديك قفازًا يحتوي على 548 نقطة ضغط صغيرة (تسمى "تاكسلز" أو taxels). عندما تمسك بشيء ما، تضيء هذه النقاط مثل سماء مرصعة بالنجوم، لتظهر أين يكون الضغط مرتفعًا وأين يكون منخفضًا. ينظر "تكتوس" إلى "خريطة النجوم" هذه ويحاول تخمين ما تمسكه من خلال مقارنتها بالأوصاف النصية مثل "يد بشرية تمسك كوبًا بإحكام".
أكثر ما يثير الدهشة في "تكتوس" هو مقدار ضآلة البيانات التي احتاج إليها للتعلم. عادةً ما تحتاج نماذج الذكاء الاصطناعي إلى ملايين الأمثلة لتصبح جيدة في مهمة ما، لكن "تكتوس" تعلم من 187 تسجيلًا فقط ليد تمسك بـ 27 جسمًا مختلفًا. ولإنجاح ذلك، استخدم الباحثون حيلة ذكية: جعلوا الذكاء الاصطناعي "يحلّم" أولاً بـ 144,000 خريطة ضغط غير مصنفة، مما علمه كيفية ملء الأجزاء المفقودة من الصورة (وهي تقنية تسمى التدريب المسبق للمشفر التلقائي المقنع - masked autoencoder pretraining). ثم قاموا بربط "دماغ اللمس" هذا بنموذج لغوي ضخم مُدرب مسبقًا يعرف بالفعل كيفية فهم الكلمات. والنتيجة؟ يستطيع "تكتوس" تخمين الجسم بدقة 77.1% (الدقة الأولى)، وهي دقة تضاهي، وأحيانًا تتفوق على، الأنظمة الأكثر تعقيدًا التي تم تدريبها خصيصًا للتعرف على تلك الأشياء الـ 27 فقط. لقد حقق ذلك دون استخدام رأس تصنيف مدرب؛ وبدلاً من ذلك، يقوم بترتيب مدى تشابه ملمس الضغط مع الكلمات التي كتبتها مقابل الفئات المحددة التي تم تقييمه بناءً عليها.
وصفة النجاح (والفخ الخفي)
اكتشف الفريق أن سر نجاح "تكتوس" لم يكن في بنية حاسوبية جديدة ومتطورة، بل في إصلاح بعض التفاصيل العملية المملة. فقد وجدوا أن المستشعر الذي كانوا يستخدمونه يحتوي على "ضجيج الراحة"—وهو ضغط أساسي ليس صفرًا في الواقع. وإذا لم يقوموا بتصحيح ذلك، فإن الذكاء الاصطناعي سيكون كمن يحاول التعلم من صورة رمادية بنسبة 97% ومثيرة للاهتمام بنسبة 3% فقط. وبمجرد تطبيق رياضيات المعايرة الخاصة بالمستشعر لتنظيف البيانات، قفز أداء النموذج بشكل كبير. كان هذا الإصلاح الواحد أكثر أهمية من جميع التغييرات في بنية "دماغ" الذكاء الاصطناعي مجتمعة.
تعلموا أيضًا أن الذكاء الاصطناعي لا يحتاج إلى رؤية فيلم كامل لليد وهي تمسك بالجسم. وبينما يساعد رؤية زوايا مختلفة، فإن إطارين متميزين فقط لليد وهي تلمس الجسم كانا كافيين لاستعادة 89% من الدقة التي كنت ستحصل عليها من مشاهدة ثمانية إطارات. يشير هذا إلى أنه لكي يعرف الروبوت ما يمسكه، فإنه لا يحتاج إلى فيديو طويل؛ بل يحتاج فقط إلى لقطتين سريتين مختلفتين للمس.
أين يخطئ الذكاء الاصطناعي (ولماذا ليس خطأه)
رغم نجاحه، فإن "تكتوس" ليس مثاليًا. حلل الباحثون أخطاءه ووجدوا شيئًا رائعًا: الذكاء الاصطناعي لا يرتبك لأن الكلمات متشابهة. على سبيل المثال، هو لا يخلط بين "كوب" (mug) و"كأس" (cup) لأن الكلمات متشابهة في النطق، بل يخطئ لأن الملمس متشابه. فهو غالبًا ما يخلط بين "الكيفانو" (فاكهة شائكة) و"السلسلة" (chain) لأن كليهما يشعر وكأنه مجموعة من النقاط الصلبة المنفصلة التي تضغط في اليد. كما يخلط بين "المفك" و"الكوب" لأن كلاهما يشعر كأنه أسطوانة طويلة ونحيفة. الأخطاء تتعلق بفيزياء اللمس، وليس باللغة.
اختبرت الورقة البحثية أيضًا بعض الأفكار التي لم تنجح، وهو أمر لا يقل أهمية. حاولوا تدريب الذكاء الاصطناعي على بيانات من أنواع مختلفة من المستشعرات في وقت واحد، آملين في تعلم "لغة لمس" عالمية، لكن ذلك لم يحدث؛ بل جعل النموذج أسوأ. كما حاولوا تعليم الذكاء الاصطناعي النظر إلى صور للأشياء أثناء لمسها، لكن المعلومات البصرية كانت مشتتة للغاية (بسبب إظهار الخلفية أو اليد نفسها) مما أربك حواس اللمس. الدرس هنا هو أنه بالنسبة لهذه المستشعرات الرخيصة، من الأفضل الالتزام بنوع واحد من المستشعرات وتنظيف البيانات بدقة تامة بدلاً من محاولة خلط كل شيء معًا.
الخلاصة
يثبت "تكتوس" أنك لست بحاجة إلى أصابع روبوتية باهظة الثمن مليئة بالكاميرات لمنح الآلة حاسة اللمس. فباستخدام مستشعر ضغط رخيص، وقليل من تنظيف البيانات الذكي، والربط بنموذج لغوي، يمكن للروبوت فهم ما يمسكه بمجرد قراءة خريطة الضغط. إنه تذكير بأن أكبر الطفرات في الذكاء الاصطناعي ليست دائمًا في بناء أدمغة أكبر، بل في الاستماع بعناية أكبر للإشارات البسيطة التي يرسلها العالم بالفعل. النموذج متاح الآن لأي شخص لاستخدامه، ودمجه في ذاكرة الروبوت الخاص به، والبدء في السؤال: "ماذا أمسك؟"
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.