Robotik üretimde büyük veri yerine tutarlı eğitim

New York Üniversitesi araştırmacıları, robotların ince motor becerilerini geliştirmede büyük ve değişken veri setleri yerine tutarlı simülasyon verilerinin daha etkili olduğunu gösterdi.

Üretim hatlarında insansı robotların kullanımı artarken, bu sistemlere insan benzeri el becerileri kazandırmak robotik alanının en zorlu başlıklarından biri olmaya devam ediyor. Özellikle kalite kontrol, montaj ve karmaşık nesne manipülasyonu gibi görevlerde robotların küçük hareketleri doğru ve güvenilir şekilde öğrenmesi gerekiyor. New York Üniversitesi Tandon Mühendislik Okulu ile Robotik ve Yapay Zeka Enstitüsü araştırmacıları, bu alanda dikkat çeken bir sonuca ulaştı. Çalışma, robot eğitiminde her zaman daha fazla verinin daha iyi sonuç vermediğini; bunun yerine tutarlı ve yapılandırılmış simülasyon verilerinin daha verimli bir öğrenme sağlayabileceğini ortaya koydu.TAKLİT ÖĞRENMEDE VERİ KALİTESİ ÖNEMLİRobotların yeni görevleri öğrenmesinde yaygın olarak kullanılan yöntemlerden biri taklit öğrenme. Bu yaklaşımda robotlar, insan operatörlerin yaptığı fiziksel gösterimleri izleyerek aynı hareketleri tekrar etmeye çalışıyor. Ancak ince parmak hareketleri ve temas gerektiren görevlerde insan gösterimlerinden yeterli ve kaliteli veri toplamak zor olabiliyor. Bu nedenle araştırmacılar, robotları gerçek insan gösterimleri yerine fizik simülasyonları içinde otomatik olarak üretilen sanal örneklerle eğitmeyi denedi. Bu süreçte, sanayide sık kullanılan Hızlı Keşif Yapan Rastgele Ağaçlar yöntemiyle üretilen verilerin her denemede çok farklı hareket çözümleri sunduğu görüldü. Araştırmanın baş yazarı Huaijiang Zhu’ya göre bu yöntemler çözüm bulmada etkili olsa da, yüksek değişkenlik robotun hangi davranışı öğrenmesi gerektiğini anlamasını zorlaştırıyor.TUTARLI GÖSTERİMLER BAŞARIYI ARTIRDIAraştırma ekibi, eğitim verilerindeki rastgeleliği azaltmak için daha yapılandırılmış bir planlama yaklaşımı geliştirdi. Bu yöntemde önceden tanımlanmış hareketlerden oluşan bir kütüphane kullanıldı ve robotun hedefe doğru daha istikrarlı biçimde ilerlemesi sağlandı. Elde edilen sonuçlar, tutarlı gösterimlerle eğitilen robotların daha değişken ve karmaşık verilerle eğitilen sistemlere göre daha yüksek başarı oranına ulaştığını gösterdi. Deneylerden birinde iki robotik kol, büyük bir silindiri kavrayıp 180 derece döndürme görevini yerine getirdi. Sistem, yalnızca 100 tutarlı gösterimle neredeyse kusursuz performans sergiledi.SİMÜLASYONDAN GERÇEK ROBOTA AKTARILDIÇalışmanın dikkat çeken yönlerinden biri, simülasyonda öğrenilen davranışların fiziksel robotlara aktarılabilmesi oldu. Araştırmacılar, öğrenilen politikaları ek bir yeniden eğitim süreci olmadan gerçek donanıma taşıdı. Çift kollu sanayi robotu, gerçek dünya denemelerinin yüzde 90’ında başarılı oldu. Daha hassas bir görevde, robotik elin avuç içinde bir küpü hedef yönelimlere göre çevirmesi istendi. Bu deneyde başarı oranı yaklaşık yüzde 62 olarak ölçüldü. Bu sonuçlar, simülasyon tabanlı eğitimin doğru veri yapısıyla gerçek üretim ortamlarına taşınabileceğini gösteriyor.ENDÜSTRİ 5.0 İÇİN YENİ EĞİTİM YAKLAŞIMIAraştırmacılara göre bulgular, robotik sistemlerin eğitiminde veri miktarından çok veri kalitesinin belirleyici olduğunu ortaya koyuyor. Gürültülü ve yüksek değişkenlik içeren büyük veri havuzları yerine, dikkatle hazırlanmış tutarlı simülasyon verileri daha hızlı ve düşük maliyetli öğrenme sağlayabiliyor. Bu yaklaşım, insanlarla birlikte çalışacak yeni nesil robotların üretim hatlarına daha hızlı entegre edilmesine katkı sağlayabilir. Özellikle kalite kontrol, hassas montaj ve karmaşık nesne taşıma gibi alanlarda robotların eğitim maliyetlerinin düşmesi bekleniyor. New York Üniversitesi’nin çalışması, Endüstri 5.0 sürecinde robotların yalnızca daha güçlü donanımlarla değil, daha akıllı ve verimli eğitim yöntemleriyle de gelişeceğini gösteriyor.