توسعه سیستم تعاملی ربات و سرباز در ارتش آمریکا 

محققان ارتش ایالات متحده در حال توسعه یک سیستم یادگیری مبتنی بر الگوریتم هستند تا ربات‌ها بتوانند در طول عملیات با سربازان ارتباط برقرار کنند.

به گزارش سرویس آی تی و فناوری انتخاب به نقل از دیفنس پست، تلاش برای غلبه بر موانع ارتباطی ربات‌ها در مواجهه با اجسام ناآشنا و شرایط نامشخص در "محیط تاکتیکی" بسیار مهم است و ارتش ایالات متحده به دنبال دستیابی به این تکنولوژی است.

دکتر فلیکس گرویتس، محقق در فرماندهی توسعه توانایی‌های رزمی ارتش آمریکا (DEVCOM)، گفت که ربات‌ها باید بتوانند برای غلبه بر عدم قطعیت سوالات خود را مطرح کنند.

گرویتس توضیح داد که چالش این است که بتوانیم نوع سوالاتی را که یک روبات باید بپرسد پیدا کنیم. برای غلبه بر این چالش، محققان یک ابزار یادگیری سه بخشی ایجاد کرده اند:

یک بستر نرم افزاری برای آزمایش آنلاین

طرح برچسب گذاری برای دسته بندی سوالات

برچسب HuRDL (یادگیری گفتگوی انسان و روبات)

مجموعه HuRDL شامل گفتگو‌های رونویسی شده و برچسب گذاری شده "از مطالعه برای انواع مختلف سوالات

درک تعامل انسان و ربات

با همکاری آزمایشگاه تحقیقات نیروی دریایی و دانشگاه تافتس، محققان DEVCOM "داده‌های گفتگو از یک مطالعه تعامل انسان و ربات را جمع آوری کردند تا بررسی کنند که چگونه روبات‌ها هنگام مواجهه با مفاهیم جدید باید سوالات خود را مطرح کنند.

گرویتس می‌گوید این مطالعه به تلاش گسترده تری برای توسعه "الگوریتم‌هایی برای پشتیبانی از تولید س سوالات خودکار و یادگیری برای گروه بندی ربات سرباز" کمک می‌کند.

گرویتس می‌گوید: "هدف وسیع این تحقیق بهبود تیم‌های ربات سرباز در محیط‌های تاکتیکی از طریق قادر ساختن ربات‌ها به پرسیدن و یادگیری در زمان واقعی از طریق گفتگو است. تحقیقات کنونی گامی در جهت رسیدن به این هدف است، زیرا انواع سوالاتی را که افراد هنگام مواجهه با مفاهیم ناآشنا مطرح می‌کنند، برجسته می‌کند. "

وی ادامه می‌دهد: "داده‌هایی که ما در مجموعه HuRDL جمع آوری کردیم می‌تواند برای آموزش ربات‌ها به منظور پرسیدن سوالات خاص در صورت مواجهه با انواع عدم قطعیت‌ها مورد استفاده قرار گیرد. آن‌ها سپس می‌توانند از پاسخ‌ها درس بگیرند یا در صورت لزوم سوالات بعدی را بپرسند. "

محققان همچنین مشکل پرسیدن سوالات زیاد ربات‌ها را مطرح کرده اند، بنابراین پاسخ دهندگان را ناامید یا غرق کرده و اختلال ایجاد کرده است. آن‌ها "استراتژی‌های گفتگوی موثر و انواع سوالات مورد استفاده در مطالعه" را برای غلبه بر موانع مکالمه کارآمد را تجزیه و تحلیل کرده اند.

در همین حال، محققان یک بستر نرم افزاری برای آزمایش آنلاین آماده کرده اند که "امکان جمع آوری داده‌های جمعی را فراهم می‌کند که در آن افراد از سراسر کشور می‌توانند از راه دور در آزمایش‌های ARL مجازی شرکت کنند. "

این پلتفرم به شرکت کنندگان اجازه می‌دهد یک ربات را در "محیط سه بعدی مجازی که شامل انواع اشیاء و مکان‌های ناآشنا است" کنترل کنند و از شرکت کنندگان خواسته شد تا اشیاء خاصی را با نام‌ها و ویژگی‌های غیرمعمول پیدا کرده و جابجا کنند و سپس به دلیل ناآشنایی آن‌ها با اشیاء، چندین سوال از محققان بپرسند. سپس سوالات برای تجزیه و تحلیل ضبط شد.

بر اساس این تجزیه و تحلیل، محققان یک "طرح حاشیه نویسی، یا روشی برای ساختار داده‌های گفتگو" تدوین کردند. این روش سوالات را "بر اساس شکل و عملکرد آنها" طبقه بندی می‌کند.

گرویتس گفت: "این روش ساختاردهی دقیق داده‌های گفتگو، گامی اساسی در روند توسعه رویکرد‌های خودکار برای ایجاد سوال و یادگیری ربات از طریق گفتگو است. "