MIT تطور نظام ذكاء اصطناعي جديد لمساعدة الروبوتات في تصحيح أخطاء الذاكرة

طور باحثو معهد ماساتشوستس للتكنولوجيا نظام ذاكرة جديد يساعد الروبوتات على التعرف وتصحيح أوصاف الكائنات غير الدقيقة المخزنة في ذاكرتها. يُعرف هذا النظام باسم UQ-DAAAM، ويستطيع تقييم أوصاف متعددة لنفس الكائن من زوايا مختلفة لتحديد مستوى ثقة الروبوت في التعرف عليه. بعد ذلك، يختار النظام زوايا إضافية لتقليل عدم اليقين، ويجمع الملاحظات في وصف أكثر دقة. ستُخزن المعلومات المصححة في ذاكرة الروبوت، مما قد يحسن قدرته على التنقل في البيئة وأداء المهام المعقدة.

تجمع هذه التقنية بين الرؤية الحاسوبية، نماذج اللغة، وقياس عدم اليقين لتحسين قدرة الروبوتات على التعرف على الكائنات المحيطة بها وتذكرها. يعتمد UQ-DAAAM على إطار عمل ذاكرة الروبوتات السابق DAAAM، الذي يستخدم نموذج الرؤية-اللغة (VLM) لإنشاء أوصاف تفصيلية للكائنات التي تلتقطها عدسة الروبوت. تُخزن هذه الأوصاف في تمثيل بيئي قائم على خريطة ثلاثية الأبعاد، مما يمكّن الروبوت من استرجاع معلومات الكائن عند الإجابة على الأسئلة أو أداء المهام. ومع ذلك، كان للنظام الأصلي قيود عندما تكون أجزاء من الكائن غير مرئية، أو عند وجوده على مسافة بعيدة، أو عندما تكون الصور الملتقطة غير واضحة أو مضاءة بشكل غير كاف.

في هذه الحالات، قد ينتج نموذج الرؤية-اللغة أوصافًا غير دقيقة. على سبيل المثال، قد يخطئ في التعرف على مدخنة رمادية على أنها سنجاب على السطح. إذا لم يكن هناك آلية لتصحيح هذه الأخطاء، فقد تبقى المعلومات غير الدقيقة في ذاكرة الروبوت، مما يؤثر على القرارات اللاحقة.

آلية حل الأوصاف غير الدقيقة

يحل UQ-DAAAM هذه المشكلة من خلال إدخال طريقة لقياس عدم اليقين في الأوصاف التي ينتجها نموذج الرؤية-اللغة. عندما يتحرك الروبوت في البيئة، تلتقط عدسته الصور باستمرار، وغالبًا ما تسجل نفس الكائن من زوايا متعددة. يستخدم النظام الجديد هذه الملاحظات الإضافية لتحديد ما إذا كانت الأوصاف الحالية موثوقة. يشير الباحثون إلى أن النظام يقيم أولاً ثقة النموذج في الكلمات التي ينتجها عند وصف كائن قد يتم التعرف عليه بشكل خاطئ، ثم يقيس التناسق من خلال مقارنة هذا الوصف مع العناوين التي تم إنشاؤها من الصور الملتقطة من زوايا مختلفة لنفس الكائن.

يجمع النظام بين هذين القياسين في درجة عدم يقين واحدة، تمثل ثقته في فهم الكائن. إذا تجاوزت الدرجة الحد المقرر، يقوم UQ-DAAAM بتحديد هذا الوصف على أنه غير موثوق محتمل ويبدأ عملية التصحيح.

استراتيجية اختيار الزوايا الإضافية

لا يقوم النظام بتحليل كل صورة تم التقاطها، بل يستخدم نهجًا قائمًا على القواعد لاختيار زوايا إضافية يمكن أن تساعد في تقليل عدم اليقين. على سبيل المثال، إذا أخطأ الروبوت في التعرف على المدخنة ككائن آخر، فقد يختار عرض صورة تظهر الدخان يتصاعد من المدخنة لتحديد هذا الهيكل بدقة أكبر. أثبت الباحثون رياضيًا أن هذه الطريقة في الاختيار يمكن أن تحدد الصور المفيدة دون الحاجة إلى إعادة تشغيل نموذج الرؤية-اللغة. هذا يقلل من متطلبات الحساب، مما يمكّن النظام من العمل على الروبوتات المتنقلة ذات الموارد المحدودة. بمجرد اختيار الصور الإضافية، يقوم نموذج اللغة الكبير (LLM) بتجميع أوصافها في عنوان مُعدل.

يمنح النظام وزنًا أكبر للأوصاف الأحدث والتي تحتوي على أقل قدر من الغموض، لتوليد تمثيل أكثر موثوقية للكائن. تُخزن الأوصاف المصححة بعد ذلك في ذاكرة الروبوت للرجوع إليها في المستقبل.

في الاختبارات، حلت عملية التصحيح حوالي 92% من غموض الكائنات، حيث كانت كل كائن تحتاج فقط إلى عنوانين إضافيين. مقارنةً بالطرق المتقدمة الحالية، زادت دقة أوصاف الكائنات بنسبة 5%. اكتشف الباحثون أيضًا أن UQ-DAAAM حسّن دقة الإجابات على الأسئلة المتعلقة بالكائنات، مواقعها، ووقت آخر مرة واجهها الروبوت. يخطط الفريق حاليًا لتوسيع هذه التقنية لتشمل منصات روبوتية مختلفة، بما في ذلك وحدات التحكم في الروبوتات المتنقلة. كما يستكشفون ما إذا كان بإمكان النظام التعرف على المناطق ذات عدم اليقين العالي، وتوجيه الروبوت لإعادة زيارة هذه المواقع لجمع ملاحظات أفضل.

تأثير UQ-DAAAM على تكنولوجيا الروبوتات

يظهر تطوير UQ-DAAAM أهمية التعرف الدقيق على الكائنات في تكنولوجيا الروبوتات لأداء المهام المعقدة. من خلال دمج الرؤية الحاسوبية ونماذج اللغة، لا يحسن هذا النظام دقة أوصاف الكائنات فحسب، بل يمكنه أيضًا تصحيح الأخطاء في الذاكرة بشكل فعال. وهذا له تأثير عميق على المستقبل في مجالات الأتمتة والأنظمة الذكية، حيث يمكن أن يعزز قدرة الروبوتات على التكيف في البيئات الديناميكية، ويساهم في عمليات اتخاذ قرارات أكثر كفاءة.