रोबोट कृत्रिम बुद्धिमत्ता का उपयोग कैसे करते हैं?

संक्षिप्त उत्तर: रोबोट संवेदन, समझ, योजना, क्रिया और सीखने की निरंतर प्रक्रिया के लिए कृत्रिम बुद्धिमत्ता (AI) का उपयोग करते हैं, ताकि वे भीड़भाड़ वाले और बदलते परिवेश में सुरक्षित रूप से चल और काम कर सकें। जब सेंसरों में गड़बड़ी होती है या विश्वास कम हो जाता है, तो अच्छी तरह से डिज़ाइन किए गए सिस्टम अनुमान लगाने के बजाय गति धीमी कर देते हैं, सुरक्षित रूप से रुक जाते हैं या मदद मांगते हैं।

चाबी छीनना:

स्वायत्तता चक्र : किसी एक मॉडल के बजाय, समझ-समझ-योजना-कार्य-सीखने के आधार पर प्रणालियाँ बनाएँ।

मजबूती : तेज रोशनी, अव्यवस्था, फिसलन और लोगों की अप्रत्याशित गतिविधियों को ध्यान में रखकर डिजाइन किया गया है।

अनिश्चितता : आत्मविश्वास उत्पन्न करें और इसका उपयोग सुरक्षित, अधिक रूढ़िवादी व्यवहार को बढ़ावा देने के लिए करें।

सुरक्षा लॉग : कार्यों और संदर्भ को रिकॉर्ड करें ताकि विफलताओं का ऑडिट किया जा सके और उन्हें ठीक किया जा सके।

हाइब्रिड स्टैक : विश्वसनीयता के लिए मशीन लर्निंग को भौतिकी संबंधी बाधाओं और शास्त्रीय नियंत्रण के साथ संयोजित करें।

नीचे इस बात का संक्षिप्त विवरण दिया गया है कि रोबोटों को प्रभावी ढंग से कार्य करने में सक्षम बनाने के लिए उनमें कृत्रिम बुद्धिमत्ता (AI) किस प्रकार प्रकट होती है।.

इस लेख के बाद आप ये लेख भी पढ़ सकते हैं:

🔗 जब एलोन मस्क के रोबोट नौकरियों के लिए खतरा बनते हैं
टेस्ला के रोबोट क्या कर सकते हैं और उनकी कौन-कौन सी भूमिकाएँ बदल सकती हैं।.

🔗 ह्यूमनॉइड रोबोट AI क्या है?
जानिए कि मानवाकार रोबोट कैसे समझते हैं, चलते हैं और निर्देशों का पालन करते हैं।.

🔗 एआई किन नौकरियों की जगह लेगा?
स्वचालन से सबसे अधिक प्रभावित होने वाली भूमिकाएँ और वे कौशल जो मूल्यवान बने रहते हैं।.

🔗 कृत्रिम बुद्धिमत्ता से संबंधित नौकरियां और भविष्य के करियर
आज के एआई करियर के रास्ते और एआई किस प्रकार रोजगार के रुझानों को नया आकार दे रहा है।.

रोबोट कृत्रिम बुद्धिमत्ता का उपयोग कैसे करते हैं? त्वरित मानसिक मॉडल

अधिकांश कृत्रिम बुद्धिमत्ता से लैस रोबोट इस प्रकार के एक चक्र का अनुसरण करते हैं:

संवेदी उपकरण 👀: कैमरे, माइक्रोफोन, लिडार, बल संवेदक, व्हील एनकोडर आदि।
समझें 🧠: वस्तुओं का पता लगाना, स्थिति का अनुमान लगाना, स्थितियों को पहचानना, गति की भविष्यवाणी करना।
योजना 🗺️: लक्ष्य चुनें, सुरक्षित रास्ते तय करें, कार्यों को निर्धारित करें।
क्रिया 🦾: शारीरिक क्रिया संबंधी निर्देश उत्पन्न करना, पकड़ना, लुढ़कना, संतुलन बनाना, बाधाओं से बचना।
सीखें 🔁: डेटा से धारणा या व्यवहार में सुधार करें (कभी-कभी ऑनलाइन, अक्सर ऑफलाइन)।

बहुत सारी रोबोटिक "एआई" वास्तव में कई हिस्सों का एक समूह है जो एक साथ काम करते हैं - धारणा , स्थिति का अनुमान , योजना और नियंत्रण - जो सामूहिक रूप से स्वायत्तता में योगदान करते हैं।

एक व्यावहारिक "क्षेत्रीय" वास्तविकता यह है: किसी रोबोट से एक बार किसी काम को साफ-सुथरे डेमो में करवाना आमतौर पर मुश्किल नहीं होता है - बल्कि मुश्किल यह होता है कि जब रोशनी बदलती है, पहिए फिसलते हैं, फर्श चमकदार होता है, अलमारियां अपनी जगह से हट जाती हैं, और लोग अप्रत्याशित एनपीसी की तरह चलते हैं, तब भी वह उसी सरल काम को भरोसेमंद तरीके से कर सके।

एक रोबोट के लिए एक अच्छे एआई मस्तिष्क में क्या गुण होने चाहिए?

एक मजबूत रोबोट एआई सेटअप को न केवल स्मार्ट होना चाहिए, बल्कि अप्रत्याशित, वास्तविक दुनिया के वातावरण में विश्वसनीय भी

महत्वपूर्ण विशेषताओं में शामिल हैं:

वास्तविक समय का प्रदर्शन ⏱️ (समयबद्धता निर्णय लेने के लिए महत्वपूर्ण है)
अव्यवस्थित डेटा (चमक, शोर, अव्यवस्था, गति धुंधलापन)
असफलता के सहज तरीके 🧯 (धीमा होना, सुरक्षित रूप से रुकना, मदद मांगना)
अच्छे पूर्व ज्ञान + अच्छा सीखना (भौतिकी + बाधाएं + मशीन लर्निंग - केवल "भावनाओं" पर आधारित नहीं)
मापने योग्य धारणा गुणवत्ता 📏 (यह जानना कि सेंसर/मॉडल कब खराब हो गए हैं)

सबसे अच्छे रोबोट अक्सर वे नहीं होते जो एक बार कोई शानदार करतब दिखा सकें, बल्कि वे होते हैं जो दिन-रात उबाऊ काम अच्छे से कर सकें।.

सामान्य रोबोट एआई बिल्डिंग ब्लॉक्स की तुलना तालिका

एआई उपकरण/उपकरण	यह किसके लिए है?	कीमत के हिसाब से ठीक-ठाक	यह कैसे काम करता है
कंप्यूटर विज़न (वस्तु पहचान, विभाजन) 👁️	मोबाइल रोबोट, हथियार, ड्रोन	मध्यम	यह दृश्य इनपुट को वस्तु पहचान जैसे उपयोगी डेटा में परिवर्तित करता है।
SLAM (मैपिंग + लोकलाइज़ेशन) 🗺️	इधर-उधर घूमने वाले रोबोट	मध्यम ऊँचाई	रोबोट की स्थिति को ट्रैक करते हुए मानचित्र बनाता है, नेविगेशन के लिए महत्वपूर्ण [1]
पथ नियोजन + बाधाओं से बचाव 🚧	डिलीवरी बॉट्स, वेयरहाउस एएमआर	मध्यम	यह वास्तविक समय में सुरक्षित मार्गों की गणना करता है और बाधाओं के अनुसार अनुकूलित होता है।
पारंपरिक नियंत्रण (पीआईडी, मॉडल-आधारित नियंत्रण) 🎛️	मोटर वाली कोई भी चीज़	कम	स्थिर और पूर्वानुमानित गति सुनिश्चित करता है
रीइन्फोर्समेंट लर्निंग (RL) 🎮	जटिल कौशल, हेरफेर, गति	उच्च	इनाम-आधारित परीक्षण और त्रुटि नीतियों के माध्यम से सीखता है [3]
भाषण + भाषा (एएसआर, आशय, एलएलएम) 🗣️	सहायक, सेवा रोबोट	मध्यम ऊँचाई	प्राकृतिक भाषा के माध्यम से मनुष्यों के साथ बातचीत की अनुमति देता है
विसंगति का पता लगाना + निगरानी 🚨	कारखाने, स्वास्थ्य सेवा, सुरक्षा-महत्वपूर्ण	मध्यम	यह असामान्य पैटर्न को महंगा या खतरनाक होने से पहले ही पहचान लेता है।
सेंसर फ़्यूज़न (कलमन फ़िल्टर, लर्नड फ़्यूज़न) 🧩	नेविगेशन, ड्रोन, स्वायत्तता स्टैक	मध्यम	अधिक सटीक अनुमानों के लिए शोर वाले डेटा स्रोतों को मिलाता है [1]

धारणा: रोबोट कच्चे सेंसर डेटा को अर्थ में कैसे परिवर्तित करते हैं

धारणा वह प्रक्रिया है जहां रोबोट सेंसर से प्राप्त जानकारी को ऐसी चीज में बदलते हैं जिसका वे वास्तव में उपयोग कर सकते हैं:

कैमरा → वस्तु पहचान, मुद्रा अनुमान, दृश्य समझ
लिडार → दूरी + बाधा की ज्यामिति
डेप्थ कैमरे → 3डी संरचना और मुक्त स्थान
माइक्रोफ़ोन → भाषण और ध्वनि संकेत
बल/टॉर्क सेंसर → सुरक्षित पकड़ और सहयोग
स्पर्श संवेदक → फिसलन का पता लगाना, संपर्क घटनाएँ

रोबोट सवालों के जवाब देने के लिए एआई पर निर्भर करते हैं, जैसे:

मेरे सामने कौन-कौन सी वस्तुएँ हैं?
"क्या यह कोई व्यक्ति है या पुतला?"
हैंडल कहाँ है?
क्या कोई चीज मेरी ओर बढ़ रही है?

एक सूक्ष्म लेकिन महत्वपूर्ण बात: धारणा प्रणालियों को आदर्श रूप से अनिश्चितता (या आत्मविश्वास का संकेत) उत्पन्न करना चाहिए, न कि केवल हां/ना का उत्तर - क्योंकि आगे की योजना और सुरक्षा संबंधी निर्णय इस बात पर निर्भर करते हैं कि रोबोट कितना आश्वस्त

स्थान निर्धारण और मानचित्रण: बिना घबराए यह जानना कि आप कहाँ हैं

किसी रोबोट को ठीक से काम करने के लिए यह जानना आवश्यक है कि वह कहाँ स्थित है। यह अक्सर SLAM (सिमल्टेनियस लोकलाइज़ेशन एंड मैपिंग) : रोबोट की स्थिति का अनुमान लगाते हुए एक मानचित्र का निर्माण करना। पारंपरिक सूत्रों में, SLAM को एक संभाव्य अनुमान समस्या के रूप में माना जाता है, जिसमें सामान्य परिवारों में EKF-आधारित और कण-फ़िल्टर-आधारित दृष्टिकोण शामिल हैं। [1]

यह रोबोट आम तौर पर निम्नलिखित को संयोजित करता है:

व्हील ओडोमेट्री (बेसिक ट्रैकिंग)
लिडार स्कैन मिलान या दृश्य स्थलचिह्न
आईएमयू (घूर्णन/त्वरण)
जीपीएस (बाहरी इलाकों में, कुछ सीमाओं के साथ)

रोबोट हमेशा पूरी तरह से सटीक स्थान का पता नहीं लगा सकते हैं - इसलिए अच्छे स्टैक समझदार लोगों की तरह काम करते हैं: अनिश्चितता पर नज़र रखते हैं, विचलन का पता लगाते हैं, और जब विश्वास कम हो जाता है तो सुरक्षित व्यवहार पर वापस लौट जाते हैं।.

योजना बनाना और निर्णय लेना: आगे क्या करना है, यह चुनना

एक बार जब रोबोट को दुनिया की व्यावहारिक तस्वीर मिल जाती है, तो उसे यह तय करने की आवश्यकता होती है कि क्या करना है। योजना अक्सर दो स्तरों में दिखाई देती है:

स्थानीय योजना (तेज़ प्रतिक्रिया) ⚡
बाधाओं से बचें, लोगों के पास गति धीमी करें, लेन/गलियारों का अनुसरण करें।
वैश्विक योजना (व्यापक परिप्रेक्ष्य) 🧭
गंतव्यों का चयन करें, अवरुद्ध क्षेत्रों से बचकर मार्ग चुनें, कार्यों का समय निर्धारण करें।

व्यवहार में, यहीं पर रोबोट "मुझे लगता है कि मुझे एक स्पष्ट रास्ता दिखाई दे रहा है" को ठोस गति आदेशों में बदल देता है जो किसी शेल्फ के कोने से नहीं टकराएंगे या किसी इंसान के निजी स्थान में नहीं घुसेंगे।.

नियंत्रण: योजनाओं को सुचारू गति में बदलना

नियंत्रण प्रणालियाँ नियोजित क्रियाओं को वास्तविक गति में परिवर्तित करती हैं, साथ ही वास्तविक दुनिया की परेशानियों से भी निपटती हैं, जैसे कि:

टकराव
पेलोड में बदलाव
गुरुत्वाकर्षण
मोटर विलंब और प्रतिघात

सामान्य उपकरणों में पीआईडी , मॉडल-आधारित नियंत्रण , मॉडल प्रेडिक्टिव कंट्रोल और व्युत्क्रम गतिकी - यानी, वह गणित जो "ग्रिपर को वहाँ " को संयुक्त गति में बदल देता है। [2]

इसे समझने का एक उपयोगी तरीका यह है:
योजना एक रास्ता चुनती है।
नियंत्रण रोबोट को वास्तव में उस रास्ते पर बिना डगमगाए, बिना लक्ष्य से आगे निकले या बिना किसी तेज गति से चलने वाली शॉपिंग कार्ट की तरह कंपन किए बिना चलने के लिए बाध्य करता है।

सीखना: रोबोटों को हमेशा के लिए रीप्रोग्राम किए जाने के बजाय वे कैसे बेहतर होते हैं

रोबोटों को हर बार वातावरण में बदलाव के बाद मैन्युअल रूप से पुनः समायोजित करने की बजाय डेटा से सीखकर बेहतर बनाया जा सकता है।.

प्रमुख शिक्षण पद्धतियों में शामिल हैं:

पर्यवेक्षित अधिगम 📚: लेबल किए गए उदाहरणों से सीखें (जैसे, "यह एक पैलेट है")।
स्व-पर्यवेक्षित शिक्षण 🔍: कच्चे डेटा से संरचना सीखें (उदाहरण के लिए, भविष्य के फ्रेम की भविष्यवाणी करना)।
सुदृढ़ीकरण सीखना 🎯: समय के साथ इनाम संकेतों को अधिकतम करके क्रियाएँ सीखें (अक्सर एजेंटों, वातावरणों और प्रतिफलों के साथ तैयार किया जाता है)। [3]

रियल लाइफ की खूबी: जटिल व्यवहारों को सीखने में, जहां कंट्रोलर को मैन्युअल रूप से डिजाइन करना मुश्किल होता है।
रियल लाइफ की दिलचस्प खूबियां: डेटा दक्षता, अन्वेषण के दौरान सुरक्षा और सिमुलेशन से वास्तविक दुनिया में अंतर को समझना।

मानव-रोबोट अंतःक्रिया: कृत्रिम बुद्धिमत्ता जो रोबोटों को मनुष्यों के साथ काम करने में मदद करती है

घरों या कार्यस्थलों में रोबोटों के लिए, अंतःक्रिया महत्वपूर्ण है। एआई निम्नलिखित को सक्षम बनाता है:

ध्वनि पहचान (ध्वनि → शब्द)
उद्देश्य का पता लगाना (शब्द → अर्थ)
इशारों को समझना (इशारा करना, शारीरिक भाषा)

यह सुनने में तो आसान लगता है, लेकिन जब आप इसे लागू करते हैं तो बात अलग हो जाती है: मनुष्य असंगत होते हैं, लहजे अलग-अलग होते हैं, कमरे शोरगुल वाले होते हैं, और "वहाँ" कोई निर्देशांक फ्रेम नहीं है।.

विश्वास, सुरक्षा और "अजीबोगरीब हरकतें न करें": कम मजेदार लेकिन आवश्यक भाग

रोबोट कृत्रिम बुद्धिमत्ता से बनी ऐसी प्रणालियाँ हैं जिनके भौतिक परिणाम होते , इसलिए विश्वास और सुरक्षा प्रथाओं को नजरअंदाज नहीं किया जा सकता है।

व्यावहारिक सुरक्षा मचान में अक्सर निम्नलिखित शामिल होते हैं:

विश्वास/अनिश्चितता की निगरानी
धारणा के बिगड़ने पर रूढ़िवादी व्यवहार
डीबगिंग और ऑडिट के लिए कार्यों को लॉग करना
रोबोट क्या कर सकता है, इस पर स्पष्ट सीमाएं निर्धारित करें।

इसे समझने का एक उपयोगी उच्च-स्तरीय तरीका जोखिम प्रबंधन है: शासन, जोखिमों का मानचित्रण, उनका मापन और जीवनचक्र के दौरान उनका प्रबंधन - यह इस बात से मेल खाता है कि एनआईएसटी एआई जोखिम प्रबंधन को व्यापक रूप से कैसे संरचित करता है। [4]

“बिग मॉडल” का चलन: रोबोट फाउंडेशन मॉडल का उपयोग कर रहे हैं

मूलभूत मॉडल अधिक सामान्य प्रयोजन वाले रोबोट व्यवहार की ओर अग्रसर हैं - विशेष रूप से जब भाषा, दृष्टि और क्रिया को एक साथ मॉडल किया जाता है।.

एक उदाहरण दिशा विज़न-लैंग्वेज-एक्शन (VLA) मॉडल है, जहाँ एक सिस्टम को यह सिखाने के लिए प्रशिक्षित किया जाता है कि वह क्या देखता है + उसे क्या करने के लिए कहा जाता है + उसे क्या क्रियाएँ करनी चाहिए। RT-2 इस तरह के दृष्टिकोण का एक व्यापक रूप से उद्धृत उदाहरण है। [5]

सबसे रोमांचक बात: अधिक लचीली, उच्च स्तरीय समझ।
वास्तविकता यह है कि भौतिक जगत में विश्वसनीयता के लिए अभी भी कुछ नियमों की आवश्यकता है - पारंपरिक अनुमान, सुरक्षा प्रतिबंध और रूढ़िवादी नियंत्रण सिर्फ इसलिए खत्म नहीं हो जाते क्योंकि रोबोट "स्मार्ट तरीके से बात कर सकता है।"

अंतिम टिप्पणी

तो, रोबोट कृत्रिम बुद्धिमत्ता का उपयोग कैसे करते हैं? रोबोट कृत्रिम बुद्धिमत्ता का उपयोग स्थिति का आकलन करने , योजना बनाने और नियंत्रण करने हैं - और कभी-कभी सीखते भी हैं । कृत्रिम बुद्धिमत्ता रोबोटों को गतिशील वातावरण की जटिलताओं को संभालने में सक्षम बनाती है, लेकिन सफलता विश्वसनीय, मापने योग्य प्रणालियों पर निर्भर करती है जो सुरक्षा को प्राथमिकता देती हैं।

अक्सर पूछे जाने वाले प्रश्न

रोबोट स्वायत्त रूप से काम करने के लिए कृत्रिम बुद्धिमत्ता का उपयोग कैसे करते हैं?

रोबोट निरंतर स्वायत्तता चक्र चलाने के लिए कृत्रिम बुद्धिमत्ता का उपयोग करते हैं: दुनिया को समझना, घटनाओं की व्याख्या करना, सुरक्षित अगला कदम तय करना, मोटरों के माध्यम से कार्य करना और डेटा से सीखना। व्यवहार में, यह एक "जादुई" मॉडल के बजाय कई घटकों का एक समूह है जो एक साथ मिलकर काम करते हैं। इसका उद्देश्य बदलते परिवेश में भरोसेमंद व्यवहार सुनिश्चित करना है, न कि आदर्श परिस्थितियों में एक बार का प्रदर्शन।.

क्या रोबोटिक एआई सिर्फ एक मॉडल है या एक संपूर्ण स्वायत्तता प्रणाली है?

अधिकांश प्रणालियों में, रोबोटिक आर्टिफिशियल इंटेलिजेंस एक पूर्ण प्रणाली है: धारणा, स्थिति का अनुमान, योजना और नियंत्रण। मशीन लर्निंग दृष्टि और पूर्वानुमान जैसे कार्यों में सहायता करती है, जबकि भौतिकी संबंधी बाधाएं और पारंपरिक नियंत्रण गति को स्थिर और पूर्वानुमानित बनाए रखते हैं। कई वास्तविक अनुप्रयोगों में हाइब्रिड दृष्टिकोण का उपयोग किया जाता है क्योंकि विश्वसनीयता बुद्धिमत्ता से अधिक महत्वपूर्ण होती है। यही कारण है कि नियंत्रित वातावरण के बाहर केवल "कंपन-आधारित" शिक्षण शायद ही कभी सफल हो पाता है।.

कृत्रिम बुद्धिमत्ता वाले रोबोट किन सेंसरों और धारणा मॉडलों पर निर्भर करते हैं?

कृत्रिम बुद्धिमत्ता वाले रोबोट अक्सर कैमरे, लिडार, डेप्थ सेंसर, माइक्रोफोन, आईएमयू, एनकोडर और बल/टॉर्क या स्पर्श सेंसर को एक साथ जोड़ते हैं। धारणा मॉडल इन सभी डेटा स्ट्रीम को उपयोगी संकेतों में परिवर्तित करते हैं, जैसे वस्तु की पहचान, स्थिति, खाली स्थान और गति संकेत। एक व्यावहारिक सर्वोत्तम अभ्यास यह है कि केवल लेबल ही नहीं, बल्कि विश्वास या अनिश्चितता का आउटपुट दिया जाए। यह अनिश्चितता चकाचौंध, धुंधलापन या अव्यवस्था के कारण सेंसर की कार्यक्षमता में कमी आने पर सुरक्षित योजना बनाने में सहायक हो सकती है।.

रोबोटिक्स में SLAM क्या है, और यह क्यों महत्वपूर्ण है?

SLAM (सिमल्टेनियस लोकलाइज़ेशन एंड मैपिंग) रोबोट को मानचित्र बनाने में मदद करता है और साथ ही साथ उसकी अपनी स्थिति का अनुमान भी लगाता है। यह उन रोबोटों के लिए बेहद ज़रूरी है जो इधर-उधर घूमते हैं और बदलते हालात में घबराए बिना दिशा का पता लगाने में सक्षम होते हैं। इसमें आमतौर पर व्हील ओडोमेट्री, IMU, LiDAR या विज़न लैंडमार्क जैसे इनपुट का इस्तेमाल होता है, और कभी-कभी बाहरी वातावरण में GPS का भी। अच्छे स्टैक ड्रिफ्ट और अनिश्चितता को ट्रैक करते हैं, जिससे रोबोट लोकेशन में गड़बड़ी होने पर अधिक सतर्कता से काम कर सकता है।.

रोबोट प्लानिंग और रोबोट कंट्रोल में क्या अंतर है?

योजना यह तय करती है कि रोबोट को आगे क्या करना चाहिए, जैसे कि गंतव्य चुनना, बाधाओं से बचकर निकलना या लोगों से बचना। नियंत्रण उस योजना को घर्षण, भार परिवर्तन और मोटर विलंब के बावजूद सुचारू और स्थिर गति में परिवर्तित करता है। योजना को अक्सर वैश्विक योजना (विस्तृत मार्ग योजना) और स्थानीय योजना (बाधाओं के पास त्वरित प्रतिक्रिया) में विभाजित किया जाता है। नियंत्रण आमतौर पर योजना का विश्वसनीय रूप से पालन करने के लिए PID, मॉडल-आधारित नियंत्रण या मॉडल प्रेडिक्टिव नियंत्रण जैसे उपकरणों का उपयोग करता है।.

रोबोट अनिश्चितता या कम आत्मविश्वास की स्थिति को सुरक्षित रूप से कैसे संभालते हैं?

अच्छी तरह से डिज़ाइन किए गए रोबोट अनिश्चितता को व्यवहार के लिए एक इनपुट के रूप में देखते हैं, न कि उसे नज़रअंदाज़ करने के रूप में। जब धारणा या स्थान निर्धारण में आत्मविश्वास कम हो जाता है, तो अनुमान लगाने के बजाय गति धीमी करना, सुरक्षा मार्जिन बढ़ाना, सुरक्षित रूप से रुकना या मानवीय सहायता मांगना एक सामान्य तरीका है। सिस्टम कार्यों और संदर्भ को भी रिकॉर्ड करते हैं ताकि घटनाओं का ऑडिट किया जा सके और उन्हें ठीक करना आसान हो। यह "सभ्य विफलता" की मानसिकता डेमो और तैनाती योग्य रोबोट के बीच एक मुख्य अंतर है।.

रोबोटों के लिए रीइन्फोर्समेंट लर्निंग कब उपयोगी होती है, और इसे मुश्किल क्या बनाता है?

रीइन्फोर्समेंट लर्निंग का उपयोग अक्सर जटिल कौशलों जैसे कि हेरफेर या गति के लिए किया जाता है, जहाँ नियंत्रक को मैन्युअल रूप से डिज़ाइन करना कठिन होता है। यह पुरस्कार-आधारित परीक्षण और त्रुटि के माध्यम से प्रभावी व्यवहारों की खोज कर सकता है, अक्सर सिमुलेशन में। इसका उपयोग थोड़ा मुश्किल हो जाता है क्योंकि अन्वेषण असुरक्षित हो सकता है, डेटा महंगा हो सकता है, और सिमुलेशन और वास्तविक स्थिति के बीच अंतर नीतियों को तोड़ सकता है। कई पाइपलाइन सुरक्षा और स्थिरता के लिए बाधाओं और पारंपरिक नियंत्रण के साथ-साथ चुनिंदा रूप से रीइन्फोर्समेंट लर्निंग का उपयोग करती हैं।.

क्या मूलभूत मॉडल रोबोटों द्वारा एआई के उपयोग के तरीके को बदल रहे हैं?

बुनियादी मॉडल दृष्टिकोण रोबोटों को अधिक सामान्य, निर्देश-अनुसरण करने वाले व्यवहार की ओर ले जा रहे हैं, विशेष रूप से आरटी-2 जैसी प्रणालियों के विज़न-लैंग्वेज-एक्शन (वीएलए) मॉडल के साथ। इसका लाभ लचीलापन है: रोबोट जो देखता है उसे जो करने के लिए कहा जाता है और उसे कैसे कार्य करना चाहिए, उससे जोड़ना। वास्तविकता यह है कि भौतिक विश्वसनीयता के लिए पारंपरिक अनुमान, सुरक्षा प्रतिबंध और रूढ़िवादी नियंत्रण अभी भी महत्वपूर्ण हैं। कई टीमें इसे जीवनचक्र जोखिम प्रबंधन के रूप में परिभाषित करती हैं, जो एनआईएसटी के एआई आरएमएफ जैसे फ्रेमवर्क के समान है।.

संदर्भ

[1] डुरंट-व्हाइट और बेली -
एक साथ स्थानीयकरण और मानचित्रण (एसएलएएम): भाग I आवश्यक एल्गोरिदम (पीडीएफ) [2] लिंच और पार्क -
आधुनिक रोबोटिक्स: यांत्रिकी, योजना और नियंत्रण (प्रीप्रिंट पीडीएफ) [3] सटन और बार्टो -
सुदृढीकरण अधिगम: एक परिचय (द्वितीय संस्करण मसौदा पीडीएफ) [4] एनआईएसटी -
कृत्रिम बुद्धिमत्ता जोखिम प्रबंधन ढांचा (एआई आरएमएफ 1.0) (पीडीएफ) [5] ब्रोहन एट अल. - आरटी-2: विजन-लैंग्वेज-एक्शन मॉडल वेब ज्ञान को रोबोटिक नियंत्रण में स्थानांतरित करते हैं (arXiv)

आधिकारिक एआई असिस्टेंट स्टोर पर नवीनतम एआई खोजें

हमारे बारे में

ब्लॉग पर वापस जाएँ

देश/क्षेत्र