به گزارش ایسنا به نقل از آیای، در حال حاضر رباتهای انساننما در کارهایی مثل استفاده از ابزار، گرفتن اشیاء و راه رفتن خوب عمل میکنند، اما محدودیتهای زیادی دارند. مثلا اگر شکل یک شیء تغییر کند یا نور محیط عوض شود، ممکن است نتوانند وظیفه را درست انجام دهند. همچنین در کارهایی که از قبل برایشان آموزش ندیدهاند، اغلب شکست میخورند. این مشکل «عدم توانایی در تعمیم» یکی از بزرگترین چالشهای این فناوری است.
برای حل این مشکل، محققان دانشگاه ووهان چارچوبی به نام سیاست چندوجهی بازگشتی با پیشفرضهای هندسی (RGMP) طراحی کرده است. این چارچوب به رباتها نوعی عقل عمومی درباره شکلها و فضا میدهد و کمک میکند با دادههای کمتر، الگوهای حرکتی را یاد بگیرند.
رباتهایی که از سیاست چندوجهی بازگشتی با پیشفرضهای هندسی استفاده کردند توانستند در وظایف جدیدی که هیچ تجربهای در آن نداشتند، به نرخ موفقیت ۸۷ درصد برسند.
اگر رباتها بتوانند بدون نیاز به آموزش مجدد در هر موقعیت تازه، اشیاء را درست دستکاری کنند، میتوانند در خانه برای کارهایی مثل تمیز کردن، مرتب کردن یا حتی آشپزی به کار گرفته شوند. همچنین در محیطهای صنعتی مثل انبارها، رستورانها و کارخانهها بسیار مفید خواهند بود.
گروه پژوهشی قصد دارد سیاست چندوجهی بازگشتی با پیشفرضهای هندسی را گسترش دهد تا رباتها بتوانند با کمترین دخالت انسانی، وظایف جدید را یاد بگیرند و حتی برای اشیاء کاملا تازه، الگوهای حرکتی مناسب را خودشان تولید کنند.
