ربات‌هایی که می‌توانند بریل را سریع‌تر از انسان بخوانند!

محققان یک حسگر رباتیک توسعه داده‌اند که از تکنیک‌های هوش مصنوعی برای خواندن بریل با سرعت‌هایی تقریباً دو برابر سرعت بیشتر خوانندگان انسانی استفاده می‌کند.

تیم تحقیقاتی از دانشگاه کمبریج از الگوریتم‌های یادگیری ماشین برای آموزش یک حسگر رباتیک به‌منظور حرکت سریع بر روی خطوط متن بریل استفاده کرد. این ربات توانست بریل را با سرعت ۳۱۵ کلمه در دقیقه و دقت تقریباً ۹۰٪ بخواند.

اگرچه ربات خواننده بریل به‌عنوان یک فناوری کمکی توسعه نیافته است، محققان می‌گویند که حساسیت بالای مورد نیاز برای خواندن بریل آن را به یک آزمون ایده‌آل برای توسعه دست‌های رباتیک یا پروتزهایی با حساسیت مشابه انگشتان انسان تبدیل می‌کند. نتایج این تحقیق در مجله IEEE Robotics and Automation Letters منتشر شده است.

انگشتان انسان حساسیت فوق‌العاده‌ای دارند و به ما کمک می‌کنند تا اطلاعاتی از محیط اطراف خود به‌دست آوریم. انگشتان ما قادر به تشخیص تغییرات ریز در بافت مواد هستند و به ما کمک می‌کنند تا میزان نیرویی که هنگام گرفتن یک شیء باید اعمال کنیم را بدانیم: برای مثال، گرفتن یک تخم‌مرغ بدون شکستن آن یا یک توپ بولینگ بدون انداختن آن.

تولید چنین سطحی از حساسیت در دست رباتیک به‌طور کارآمد از نظر انرژی، یک چالش مهندسی بزرگ است. در آزمایشگاه پروفسور فومیا ایدا در بخش مهندسی دانشگاه کمبریج، محققان در حال توسعه راه‌حل‌هایی برای این و دیگر مهارت‌هایی هستند که انسان‌ها به‌راحتی انجام می‌دهند، اما ربات‌ها آن را دشوار می‌یابند.

پارث پوتدار، از بخش مهندسی دانشگاه کمبریج و نویسنده اول مقاله، گفت: “نرمی انگشتان انسان یکی از دلایلی است که به ما کمک می‌کند تا اشیاء را با فشار مناسب بگیریم.” “برای ربات‌ها، نرمی یک ویژگی مفید است، اما شما همچنین به اطلاعات حسگری زیادی نیاز دارید و داشتن هر دو به‌طور همزمان مخصوصاً هنگام برخورد با سطوح انعطاف‌پذیر یا تغییرشکل‌دهنده دشوار است.”

بریل یک آزمایش ایده‌آل برای “انگشت رباتیک” است زیرا خواندن آن نیاز به حساسیت بالایی دارد، زیرا نقاط در هر الگوی حرفی بسیار به هم نزدیک هستند. محققان از یک حسگر موجود برای توسعه یک ربات خواننده بریل استفاده کردند که رفتار خواندن انسان را به‌طور دقیق‌تری شبیه‌سازی می‌کند.

دیوید هاردمن، نویسنده همکار این تحقیق از بخش مهندسی، گفت: “ربات‌های خواننده بریل موجود، فقط یک حرف را در هر بار می‌خوانند، که اینگونه انسان‌ها نمی‌خوانند.” “ربات‌های خواننده بریل موجود به‌صورت ایستا عمل می‌کنند: آنها یک الگوی حرفی را لمس کرده، آن را می‌خوانند، از سطح بلند می‌شوند، به الگوی حرفی بعدی منتقل می‌شوند و همین‌طور ادامه می‌دهند. ما چیزی می‌خواهیم که واقعی‌تر و بسیار کارآمدتر باشد.”

حسگری که محققان استفاده کردند، دوربینی در “انگشت” خود داشت و برای خواندن از ترکیب اطلاعات دوربین و حسگرها استفاده می‌کرد. پوتدار گفت: “این یک مشکل بزرگ برای رباتیک‌ها است زیرا پردازش تصویر زیادی باید انجام شود تا تاری حرکت حذف شود، که هم وقت‌گیر و هم انرژی‌بر است.”

تیم تحقیقاتی الگوریتم‌های یادگیری ماشین را توسعه دادند تا ربات خواننده بتواند تصاویر را قبل از تلاش برای شناسایی حروف، “از تاری” پاک کند. آنها الگوریتم را بر روی مجموعه‌ای از تصاویر تیز بریل با تاری مصنوعی آموزش دادند. پس از اینکه الگوریتم یاد گرفت تا حروف را از تاری پاک کند، از مدل بینایی کامپیوتری برای شناسایی و دسته‌بندی هر کاراکتر استفاده کردند.

پس از گنجاندن الگوریتم‌ها، محققان خواننده خود را آزمایش کردند تا آن را به‌سرعت بر روی ردیف‌های حروف بریل حرکت دهند. ربات خواننده بریل توانست با سرعت ۳۱۵ کلمه در دقیقه و دقت ۸۷٪ بخواند که این دو برابر سریع‌تر و تقریباً با دقت مشابه یک خواننده انسانی بریل است.

هاردمن گفت: “با توجه به اینکه ما از تاری مصنوعی برای آموزش الگوریتم استفاده کردیم، شگفت‌انگیز بود که چقدر دقیق بریل را می‌خواند.” “ما یک تعادل خوب بین سرعت و دقت پیدا کردیم که این هم همان‌طور که در خوانندگان انسانی وجود دارد، در اینجا هم مشاهده می‌شود.”

پوتدار افزود: “سرعت خواندن بریل راه خوبی برای اندازه‌گیری عملکرد پویا سیستم‌های حسگر لمسی است، بنابراین یافته‌های ما می‌توانند فراتر از بریل کاربرد داشته باشند، برای مثال در کاربردهایی مانند تشخیص بافت‌های سطحی یا لغزش در دستکاری رباتیک.”

در آینده، محققان امیدوارند این تکنولوژی را به اندازه یک دست انسان یا پوست گسترش دهند. این تحقیق بخشی از حمایت‌های مالی خود را از برنامه Samsung Global Research Outreach دریافت کرده است.

:References

Potdar, P., Hardman, D., Almanzor, E., & Iida, F. (2024). High-speed tactile Braille reading via biomimetic sliding interactions. IEEE Robotics and Automation Letters, 1. https://doi.org/10.1109/LRA.2024.3356978