یک بازوی رباتیک یا یک دست مصنوعی چگونه یک کار پیچیده مانند گرفتن و چرخاندن یک توپ را یاد میگیرد؟ چالش همیشگی برای دست انسان، مصنوعی یا رباتیک، یادگیری صحیح کنترل انگشتان برای اعمال نیرو بر روی یک جسم بوده است.
پوست حساس و پایانههای عصبی که دستان ما را پوشاندهاند، به عنوان عاملی برای کمک به ما در یادگیری و تطبیق با دستکاری اشیاء شناخته شدهاند؛ بنابراین، رباتیکدانان بر گنجاندن حسگرها در دستهای رباتیک اصرار داشتهاند. اما با توجه به اینکه حتی با دستکش نیز میتوان یاد گرفت که چگونه با اشیاء کار کرد، باید عامل دیگری نیز در این میان نقش داشته باشد.
این معما الهامبخش پژوهشگران در آزمایشگاه ValeroLab در دانشکده مهندسی Viterbi شد تا بررسی کنند آیا حس لامسه واقعاً همیشه برای یادگیری کنترل انگشتان ضروری است یا خیر.
پژوهشگران رومینا میر، علی مرجانینژاد، اندرو اروین و پروفسور فرانسیسکو والرو-کوئواس در دپارتمان مهندسی پزشکی آلفرد مان این سؤال را مطرح کردند: حسگرهایی که بخشی از دست هستند (طبیعت آن) چگونه با نحوه آموزش دست (تربیت آن) برای یادگیری کارهای پیچیده تعامل دارند؟
در مقالهای در ژورنال Science Advances، این تیم با استفاده از مدلسازی محاسباتی و یادگیری ماشین، به سؤال کلاسیک «طبیعت در برابر تربیت» پرداختهاند.
این مقاله با عنوان «برنامه آموزشی در یادگیری تقویتی دستکاری اشیاء در برابر گرانش، تأثیرگذارتر از اطلاعات لمسی است»، بر پایه کارهای قبلی این آزمایشگاه در زمینه تکامل دست و هوش مصنوعی بنا شده است. این مقاله نشان میدهد که ترتیب یادگیری، که به عنوان «برنامه آموزشی» (curriculum) نیز شناخته میشود، برای وقوع یادگیری حیاتی است.
در واقع، پژوهشگران خاطرنشان میکنند که اگر برنامه آموزشی در یک توالی خاص انجام شود، یک دست رباتیک شبیهسازی شده میتواند دستکاری را با حس لامسه ناقص یا حتی بدون آن یاد بگیرد.
برای این مطالعه، تیم از نرمافزاری برای شبیهسازی یک دست رباتیک سه انگشتی استفاده کرد تا «مثال نقضی برای این تصور دیرینه ارائه دهد که حس لامسه همیشه ضروری است»، به گفته والرو-کوئواس، و همچنین «بر اهمیت ترتیب پاداشها برای آموزش تأکید میکند»، نظری که رومینا میر، یکی از دو نویسنده اول و دانشجوی دکترا در آزمایشگاه ValeroLab، بیان کرد.
فرانسیسکو والرو-کوئواس، نویسنده مسئول مقاله و همچنین استاد بخش بیوکینزیولوژی و فیزیوتراپی در دانشگاه USC، گفت: «پاداش، توسعه سیستم را هدایت میکند.»
وی افزود: «... درست مانند سیستمهای بیولوژیکی که محصول تجربیات خود هستند. این پیوند بین یادگیری ماشین و زیستشناسی، یک ارتباط قدرتمند است که ممکن است پیشرفت سیستمهای هوش مصنوعی را که میتوانند در دنیای فیزیکی یاد بگیرند و سازگار شوند، ممکن سازد.»
در این همکاری بین دانشکده مهندسی Viterbi و دانشگاه کالیفرنیا در سانتا کروز (UCSC)، دانشجویان دکترا پارمیتا اجاقی (UCSC) و رومینا میر (USC) با همکاری پروفسور مایکل ونر (UCSC) این کار را رهبری کردند. علی مرجانینژاد و اندرو اروین (USC) نیز در این کار مشارکت داشتند.