BIFTA: Brain-Inspired Few-Shot Tactile Adaptation for Unknown Sensors
تقدم الورقة البحثية BIFTA، وهو إطار عمل للتعلم بلقطات قليلة مستوحى من الدماغ يتيح التكيف السريع لنماذج اللمس مسبقة التدريب مع مستشعرات غير معروفة باستخدام حد أدنى من البيانات المصنفة عبر الاستفادة من الذاكرة الإحصائية ثنائية الرؤية، والرسوم البيانية الطيفية المشروطة بالدعم، والانتشار المتكرر ذي البوابة غير اليقينية للتغلب على انهيار الأداء الناجم عن الأجهزة.
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
لقد أتقنت الروبوتات منذ زمن طويل فن الرؤية، مستخدمةً الكاميرات للتنقل في الغرف والتعرف على الأشياء بدقة تضاهق في كثير من الأحيان الرؤية البشرية. ومع ذلك، عندما يتعلق الأمر بحاسة اللمس، كان تقدمها أكثر تردداً. فخلافاً للرؤية التي تعتمد على وسيط واحد عالمي وهو الضوء، يعتمد اللمس على الخصائص الفيزيائية للمستشعر نفسه. قد تكون "بشرة" الروبوت مصنوعة من مطاط ناعم، أو مزودة بعلامات دقيقة، أو مجهزة بكاميرا تنظر إلى سطح يتشوه. ولأن كل مستشعر يُبنى بشكل مختلف، فإن الطريقة التي يسجل بها اللسة فريدة من نوعها وفقاً لتركيبه الخاص. فالروبوت الذي تدرب على فهم ملمس حبة الفراولة باستخدام نوع معين من المستشعرات، غالباً ما يصاب بارتباك تام عندما يُمنح مستشعراً مختلفاً، حتى لو كان الجسم هو نفسه. ويخلق هذا القصور عقبة كبيرة أمام مستقبل الروبوتات: فإذا احتاج الروبوت إلى مستشعر جديد لأن القديم تعطل، أو إذا احتاج أسطول من الروبوتات إلى مشاركة البيانات من نماذج أجهزة مختلفة، يجب أن تكون البرمجيات التي تشغل حاسة اللمس لديهم قادرة على التكيف فوراً دون الحاجة إلى إعادة التدريب من الصفر.
لقد عمل الباحثون على تطوير "نماذج تأسيسية" للمس، وهي أنظمة ضخمة مدربة على كميات هائلة من البيانات من مستشعرات محددة لتعلم مفاهتم عامة مثل الصلابة أو الشكل. ومع ذلك، تصطدم هذه النماذج بحائط مسدود عندما تواجه مستشعراً لم تره من قبل. وفي دراسة حديثة، اقترح فريق من معهد بكين للتكنولوجيا حلاً مستوحى من كيفية معالجة الدماغ البشري للمعلومات الحسية الجديدة. تماماً كما يمكن للشخص أن يتعلم بسرعة تفسير ملمس زوج جديد من القفازات أو ملمس مختلف بعد لمسات قليلة فقط، طور الباحثون طريقة تسمى BIFTA، أو "التكيف اللمسي المستوحى من الدماغ ذو القليل من الأمثلة". يسمح هذا النظام للروبوت بأخذ "دماغ" مدرب مسبقاً على اللمس وتعديله بسرعة ليتناسب مع مستشعر مجهول تماماً باستخدام عدد قليل جداً من الأمثلة المصنفة، بدلاً من الحاجة إلى آلاف الصور التدريبية الجديدة.
تتمثل المشكلة الجوهرية التي عالجها الفريق في أنه عندما يغير الروبوت مستشعره، فإن "الخريطة" الرياضية لكيفية شعور الأشياء المختلفة المختلفة تتشوه. فالنموذج المدرب على مستشعر واحد قد يعتقد أن سطحاً ناعماً يبدو خشناً على مستشعر جديد، ببساطة لأن الأجهزة الجديدة تسجل البيانات بطريقة مختلفة. وقد تضمنت المحاولات السابقة لإصلاح ذلك إما إعادة تدريب النظام بالكامل، وهو أمر بطيء ويستهلك الكثير من البيانات، أو استخدام حيل إحصائية بسيطة فشلت غالباً عندما كان الفرق بين المستشعرات كبيراً جداً. ووجد الباحثون أن الطرق الموجودة غالباً ما تنهار، حيث تهبط من دقة عالية على المستشعر الأصلي إلى مستوى يقارب التخمين العشوائي عند اختبارها على مستشعر جديد. فعلى سبيل المثال، في إحدى مجموعات البيانات، انخفضت دقة نموذج قياسي كانت تبلغ 71 بالمائة على مستشعره الأصلي إلى أقل من 8 بالمائة عند اختباره على ستة مستشعرات مختلفة وغير مرئية له.
ولحل هذه المشكلة، صمم الفريق عملية مكونة من ثلاث خطوات تحاكي قدرة الدماغ على الفصل بين المعرفة المستقرة والتكيف السريع. أولاً، ينشئ النظام "ذاكرة" للمستشعر الجديد باستخدام مجموعة صغيرة من الأمثلة المصنفة، المعروفة باسم "مجموعة الدعم". وهو لا يحفظ هذه الأمثلة فحسب، بل يبني مرساة إحصائية تمثل ما يعتقد المستشعر الجديد أن كل جسم يجب أن يشعر به. ثانياً، يقوم بإنشاء خريطة هندسية جديدة للبيانات. تخيل نقاط البيانات للأجسام المختلفة كمدن على خريطة؛ عندما يتغير المستشعر، تتشوه المسافات بين هذه المدن. يستخدم النظام المجموعة الصغيرة من الأمثلة المعروفة لتصحيح هذا التشوه، مما يؤدي إلى كبح الاتجاهات الصاخبة التي تربك الروبوت وتعزيز المسارات التي تؤدي إلى الإجابة الصحيحة. وأخيراً، يستخدم فحص الموثوقية ليقرر مدى ثقة الروبوت في خريطته الجديدة مقابل تدريبه الأصلي. فإذا كان اللمس الجديد غامضاً، يميل النظام بقوة أكبر نحو الذاكرة المستقرة التي بناها من الأمثلة القليلة، مما يضمن عدم انجراف الروبوت وراء الإشارات المربكة.
اختبر الباحثون هذا النهج على ثلاث مجموعات بيانات تتضمن مستشعرات ومهام لمسية متنوعة، بما في ذلك تحديد الأشكال والتعرف على أجسام محددة. واستخدموا نموذجين مختلفين من "الأدمغة" المدربة مسبقاً على اللمس واختبروهما ضد مستشعرات كانت غائبة تماماً عن بيانات التدريب الأصلية. وكانت النتائج مذهلة. ففي إحدى مجموعات البيانات، عندما مُنح الروبوت 10 بالمائة فقط من بيانات الهدف للتعلم منها، رفع الأسلوب الجديد دقة النموذج المدرب مسبقاً من نسبة فشل بلغت 6.86 بالمائة إلى نسبة قوية بلغت 87.09 بالمائة. ولم يكن هذا التحسن محض صدفة، فقد ثبتت صحته عبر أنواع مختلفة من المستشعرات، ونماذج مدربة مسبقاً مختلفة، ومهام متنوعة. لقد تفوق النظام على أقوى الطرق الموجودة بفارق كبير، حيث حقق أحياناً تحسناً في الدقة بنحو 50 نقطة مئوية. وحتى مع توفر 1 بالمائ percent فقط من بيانات الهدف، تمكن النظام من استعادة جزء كبير من قدرته المفقودة، مما أثبت قدرته على "تعلم التحدث" بلغة مستشعر جديد ببراعة وبأقل قدر من الممارسة.
إن ما يجعل هذا النهج قوياً بشكل خاص هو أنه لا يتطلب من الروبوت إعادة تعلم الرؤية أو اللمس من الصفر. إذ يظل العمل الشاق لاستخراج الميزات (feature extraction) ثابتاً في النموذج الأصلي، مما يحافظ على المعرفة الهائلة التي يمتلكها بالفعل. يحدث التكيف فقط في المرحلة النهائية، حيث يعيد النظام معايرة فهمه بناءً على الأمثلة الجديدة القليلة التي رآها. وهذا يعني أنه يمكن للروبوت استبدال أجهزته، أو يمكن لأسطول من الروبوتات ذات المستشعرات المختلفة مشاركة ذكاء واحد قابل للتكيف، دون الحاجة إلى مجموعات بيانات جديدة ضخمة أو جلسات إعادة تدريب مكلفة. وتثبت الدراسة أنه من خلال استعارة مبادئ التكيف الحسي البيولوجي، يمكن للمهندسين إنشاء أنظمة لمس ليست مجرد مبرمجة بجمود لجهاز واحد، بل مرنة بما يكفي للتعامل مع الواقع المتنوع والمعقد للعالم المادي.
تشير النتائج إلى مسار واضح نحو جعل الروبوتات أكثر قوة وتعدد استخدامات. وبينما يركز العمل الحالي على مهام التصنيف والتعرف، يشير المؤلفون إلى إمكانية تطبيق نفس المبادئ على تفاعلات أكثر تعقيداً، مثل التعامل مع الأجسام الدقيقة أو فهم المواد في الوقت الفعلي. ومن خلال إثبات أن الروبوت يمكنه التكيف بسرعة مع مستشعر جديد ببيانات دنيا، يزيل هذا البحث عائقاً رئيسياً أمام نشر الذكاء اللمسي في البيئات الديناميكية حيث تتغير الأجهزة بشكل حتمي. ولا يدعي هذا العمل أنه حل جميع مشكلات اللمس الروبوتي، ولكنه يوفر طريقة ملموسة قائمة على البيانات لسد الفجوة بين الخبرة المتعلمة للروبوت والأجهزة المجهولة التي قد يواجهها غداً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.