مترجم: علی طالبی
تجارت الکترونیکی همینطور گستردهتر میشود و دستاوردهای بیشتری کسب میکند. برای اینکه بتوان سریعاً حجم و گوناگونی زیاد سفارشها را پر کرد به دلیل کمبود کارگر بسیاری از کمپانیها به فکر استفاده از روباتها هستند. هرچند پیدا کردن طیف متنوع و قابل اطمینان روباتها یک چالش بزرگ است.
جف ماهلر، محقق و نویسنده اصلی مقاله میگوید: یک گیره نمیتواند تمام اشیا را بگیرد. برای مثال یک مکنده لیوانی نمیتواند منافذ اشیایی مانند لباس را ببندد یا گیرههای موازی شاید نتوانند به دو طرف بعضی ابزار یا اسباب بازیها برسند.
سیستم روباتیکی که در بیشتر تجارتهای الکترونیکی استفاده میشود وابسته به گیرههای مکشی هستند که طیف محدودی از اشیا را میتوانند نگه دارند. مقاله دانشگاه برکلی یک روش یکسان دستی که سازگار با انواع گیرههاست را معرفی میکند. این روش بر اساس عملکرد پاداشی برای هر نوع گیره است که احتمال موفقیت هر گیره را اندازه میگیرد. این روش به سیستم اجازه میدهد به سرعت تصمیم بگیرد کدام گیره برای کدام شرایط مناسب است. برای محاسبه عملکرد پاداشی برای هر گیره، مقاله «یک پروسه برای یادگیری عملکردهای پاداشی» به وسیله آموزش با مجموعه دادههای مصنوعی بزرگ که به سرعت با استفاده از دامنه تصادفی ساختار یافته و سنسور مدلهای تحلیلی و فیزیک و جغرافیای هر گیره است، شرح داده شده است.
محققان میگویند:زمانی که در یک انبار در حال جمعآوری بستههایی برای تحویل هستید، اشیا بسیار گوناگون هستند و گیرههای مختلف برای نگه داشتن اشیای مختلف نیاز است.
پیش از این محققان یک روبات دو بعدی با قابلیت تشخیص موانع و عبور از آنها و در نهایت رسیدن به هدف از پیش تعیین شده به کمک الگــــوریتم میدان پتانسیل ساخته بودند. روبات طراحی شده بدون آگاهی قبلی از کل محیط و موقعیت موانع موجود در آن وارد محیط شده و با استفاده از حسگرهایش در هر گام زمانی موانع احتمالی واقع در میدان دید خود را شناسایی و بر اساس الگوریتم میدان پتانسیل مصنوعی راه خود را به سمت هدف انتخاب میکند. فرایند طراحی، انتخاب اجزای تشکیل دهنده و مونتاژ و تست روبات به تفصیل توضیح داده میشود. سپس برای نشان دادن نحوه عملکرد روبات و الگوریتم پیشنهادی ناوبری، مثالهای متعددی با تعداد و چیدمانهای مختلف موانع مورد بررسی قرار میگیرد. آزمایشهای انجام شده نشانگر موفقیت الگوریتم انتخاب شده در هدایت بدون برخورد روبات به سوی هدف در اکثریت موارد است. همچنین موارد معدود ناکامی الگوریتم مذبور و راههای پیشنهادی غلبه بر این ناکامیها نیز مورد بحث قرار میگیرد. مزیت عمده الگوریتم پیشنهادی، سادگی پیادهسازی و هزینه محاسباتی بسیار پایین آن است که امکان استفاده از آن را در کاربردهای زمان واقعی فراهم میکند. در پایان نیز ویژگیهای پلتفرم ساخته شده که آن را به بستری مناسب برای پیادهسازی الگوریتمهای هوشمند ناوبری تبدیل میکند تشریح میگردد.
منبع:ساینس دیلی