Товчхондоо: Роботууд нь мэдрэх, ойлгох, төлөвлөх, үйлдэл хийх, суралцах тасралтгүй мөчлөгийг ажиллуулахын тулд хиймэл оюун ухааныг ашигладаг бөгөөд ингэснээр тэд замбараагүй, өөрчлөгдөж буй орчинд аюулгүй хөдөлж, ажиллах боломжтой болдог. Мэдрэгч чимээ шуугиантай болох эсвэл өөртөө итгэх итгэл буурах үед сайн зохион бүтээсэн системүүд удааширч, аюулгүй зогсох эсвэл таахаас илүү тусламж хүсдэг.
Гол дүгнэлтүүд:
Бие даасан байдлын давталт : Ганц загвар биш, харин мэдрэх-ойлгох-төлөвлөх-үйлдэх-сурах гэсэн үндсэн дээр системүүдийг бүтээ.
Бат бөх чанар : Гялбаа, эмх замбараагүй байдал, гулсалт болон урьдчилан таамаглахын аргагүй хөдөлгөөнд зориулагдсан.
Тодорхойгүй байдал : Өөртөө итгэх итгэлийг бий болгож, үүнийгээ ашиглан илүү аюулгүй, илүү консерватив зан үйлийг өдөө.
Аюулгүй байдлын бүртгэлүүд : Алдаа дутагдлыг аудит хийж, засах боломжтой байхын тулд үйлдлүүд болон нөхцөл байдлыг тэмдэглэнэ.
Холимог стек : Найдвартай байдлын үүднээс ML-ийг физикийн хязгаарлалт болон сонгодог хяналттай хослуул.
Роботуудыг үр дүнтэй ажиллуулахын тулд хиймэл оюун ухаан дотор хэрхэн илэрдэг талаар доор харуулав.
Үүний дараа таны унших дуртай нийтлэлүүд:
🔗 Элон Маскийн роботууд ажлын байрыг заналхийлж байх үед
Теслагийн роботууд юу хийж чадах, ямар үүрэг өөрчлөгдөж болох вэ.
🔗 Хүн дүрст робот хиймэл оюун ухаан гэж юу вэ
Хүн дүрстэй роботууд зааврыг хэрхэн хүлээн авч, хөдөлж, дагаж мөрддөгийг мэдэж аваарай.
🔗 Хиймэл оюун ухаан ямар ажлын байрыг орлох вэ
Автоматжуулалтад хамгийн их өртдөг, үнэ цэнэтэй хэвээр байгаа ур чадварууд.
🔗 Хиймэл оюун ухааны ажлын байр болон ирээдүйн карьерууд
Өнөөдрийн хиймэл оюун ухааны карьерын замнал ба хиймэл оюун ухаан ажил эрхлэлтийн чиг хандлагыг хэрхэн өөрчилж байна.
Роботууд хиймэл оюун ухааныг хэрхэн ашигладаг вэ? Хурдан сэтгэхүйн загвар
Ихэнх хиймэл оюун ухаанаар ажилладаг роботууд дараах байдлаар давтагддаг:
-
Мэдрэгч 👀: Камер, микрофон, LiDAR, хүчний мэдрэгч, дугуй кодлогч гэх мэт.
-
Ойлгох 🧠: Объектуудыг илрүүлэх, байрлалыг тооцоолох, нөхцөл байдлыг таних, хөдөлгөөнийг урьдчилан таамаглах.
-
Төлөвлөгөө 🗺️: Зорилгоо сонго, аюулгүй замыг тооцоол, даалгавраа төлөвлө.
-
Үйлдэл 🦾: Хөдөлгөөний командуудыг бий болгох, атгах, өнхрөх, тэнцвэрээ хадгалах, саад бэрхшээлээс зайлсхийх.
-
Суралцах 🔁: Өгөгдлөөс ойлголт эсвэл зан үйлийг сайжруулах (заримдаа онлайн, ихэвчлэн офлайн).
Робот "хиймэл оюун ухаан"-ын ихэнх нь үнэндээ ойлголт , төлөв байдлын тооцоо , төлөвлөлт , хяналт гэсэн хамтдаа ажилладаг хэсгүүдийн овоолго бөгөөд эдгээр нь нийлээд бие даасан байдлыг бий болгодог.
Нэгэн практик "талбайн" бодит байдал: хамгийн хэцүү хэсэг нь роботыг цэвэр үзүүлбэрийн үеэр нэг удаа ямар нэгэн зүйл хийлгэх биш, харин гэрэлтүүлэг солигдох, дугуй гулсах, шал гялалзах, тавиурууд хөдлөх, хүмүүс урьдчилан таамаглахын аргагүй NPC шиг алхах үед роботыг энгийн зүйлийг найдвартай .
Роботын хувьд сайн хиймэл оюун ухааны тархийг юу бүрдүүлдэг вэ
Бат бөх роботын хиймэл оюун ухааны тохиргоо нь зөвхөн ухаалаг байхаас гадна урьдчилан таамаглах аргагүй, бодит ертөнцийн орчинд найдвартай
Чухал шинж чанарууд нь:
-
Бодит цагийн гүйцэтгэл ⏱️ (шийдвэр гаргахад цаг хугацаа чухал)
-
Эмх замбараагүй өгөгдөлд (гялбаа, чимээ шуугиан, эмх замбараагүй байдал, хөдөлгөөний бүдгэрэлт)
-
Эелдэг бүтэлгүйтлийн горимууд 🧯 (хурдаа сааруулах, аюулгүй зогсох, тусламж хүсэх)
-
Сайн урьдчилсан хичээлүүд + сайн суралцах (физик + хязгаарлалт + математикийн хичээл - зөвхөн "сэтгэл хөдлөл" биш)
-
Хэмжиж болохуйц ойлголтын чанар 📏 (мэдрэгч/загварууд хэзээ муудаж байгааг мэдэх)
Хамгийн сайн роботууд нь нэг удаа гял цал зүйл хийж чаддаг роботууд биш, харин уйтгартай ажлыг өдөр бүр сайн хийж чаддаг роботууд байдаг.
Роботын хиймэл оюун ухааны нийтлэг барилгын блокуудын харьцуулсан хүснэгт
| Хиймэл оюун ухаан / хэрэгсэл | Хэнд зориулагдсан юм бэ | Үнэтэй | Яагаад ажилладаг вэ |
|---|---|---|---|
| Компьютерийн хараа (объект илрүүлэх, сегментчилэх) 👁️ | Зөөврийн роботууд, гар, дронууд | Дунд зэрэг | Харааны оролтыг объект таних гэх мэт ашиглах боломжтой өгөгдөл болгон хөрвүүлдэг |
| SLAM (газрын зураглал + нутагшуулалт) 🗺️ | Эргэн тойрон хөдөлдөг роботууд | Дунд-Өндөр | Роботын байрлалыг хянах явцдаа газрын зураг бүтээдэг бөгөөд энэ нь навигацид чухал ач холбогдолтой [1] |
| Зам төлөвлөлт + саад бэрхшээлээс зайлсхийх 🚧 | Хүргэлтийн ботууд, агуулахын AMR-үүд | Дунд зэрэг | Аюулгүй маршрутуудыг тооцоолж, саад бэрхшээлийг бодит цаг хугацаанд зохицуулдаг |
| Сонгодог удирдлага (PID, загварт суурилсан удирдлага) 🎛️ | Мотортой юу ч байсан | Бага | Тогтвортой, урьдчилан таамаглах боломжтой хөдөлгөөнийг баталгаажуулдаг |
| Бэхжүүлэх сургалт (RL) 🎮 | Нарийн төвөгтэй ур чадвар, манипуляци, хөдөлгөөн | Өндөр | Шагнал дээр суурилсан туршилт ба алдааны бодлогын тусламжтайгаар суралцдаг [3] |
| Яриа + хэл (ASR, зорилго, LLM) 🗣️ | Туслахууд, үйлчилгээний роботууд | Дунд-Өндөр | Байгалийн хэлээр дамжуулан хүмүүстэй харилцах боломжийг олгодог |
| Аномали илрүүлэх + хяналт 🚨 | Үйлдвэрүүд, эрүүл мэндийн үйлчилгээ, аюулгүй байдал чухал | Дунд зэрэг | Ер бусын хэв маягийг үнэтэй эсвэл аюултай болохоос нь өмнө илрүүлдэг |
| Мэдрэгчийн нэгдэл (Калман шүүлтүүр, сурсан нэгдэл) 🧩 | Навигаци, дрон, бие даасан байдлын стекүүд | Дунд зэрэг | Илүү нарийвчлалтай тооцоолол хийхийн тулд шуугиантай өгөгдлийн эх сурвалжуудыг нэгтгэдэг [1] |
Ойлголт: Роботууд түүхий мэдрэгчийн өгөгдлийг утга болгон хэрхэн хувиргадаг вэ
Ойлголт гэдэг нь роботууд мэдрэгчийн урсгалыг өөрсдийн ашиглаж болох зүйл болгон хувиргадаг зүйл юм
-
Камерууд → объект таних, байрлалыг тооцоолох, үзэгдлийг ойлгох
-
LiDAR → зай + саад бэрхшээлийн геометр
-
Гүн камер → 3 хэмжээст бүтэц ба чөлөөт орон зай
-
Микрофон → яриа болон дуут дохионууд
-
Хүч/моментийн мэдрэгч → илүү аюулгүй атгах болон хамтын ажиллагаа
-
Хүрэлцэх мэдрэгч → гулсалт илрүүлэх, холбоо барих үйл явдлууд
Роботууд дараах асуултуудад хариулахын тулд хиймэл оюун ухаанд найддаг:
-
"Миний өмнө ямар объектууд байна?"
-
"Энэ хүн үү эсвэл загвар өмсөгч үү?"
-
"Бариул хаана байна?"
-
"Над руу ямар нэгэн зүйл хөдөлж байна уу?"
Нарийн боловч чухал нарийн ширийн зүйл: ойлголтын системүүд нь тодорхойгүй байдлыг (эсвэл итгэлийн прокси) гаргах ёстой - учир нь дараагийн төлөвлөлт болон аюулгүй байдлын шийдвэрүүд нь робот хэр итгэлтэй
Нутагшуулалт ба газрын зураглал: Сандарч сандралгүйгээр хаана байгаагаа мэдэх
Робот зөв ажиллахын тулд хаана байгаагаа мэдэх шаардлагатай. Үүнийг ихэвчлэн SLAM (Зэрэгцээ байршил ба зураглал) : газрын зураг бүтээхдээ роботын байрлалыг нэгэн зэрэг тооцоолдог. Сонгодог томъёололд SLAM-ийг магадлалын тооцооллын асуудал гэж үздэг бөгөөд EKF дээр суурилсан болон бөөмийн шүүлтүүр дээр суурилсан аргуудыг багтаасан нийтлэг бүлгүүд байдаг. [1]
Робот нь ихэвчлэн дараахь зүйлийг хослуулдаг
-
Дугуйны одометр (үндсэн хяналт)
-
LiDAR сканнердах тохируулга эсвэл харааны тэмдэглэгээ
-
IMU (эргэлт/хурдатгал)
-
GPS (гадаа, хязгаарлалттай)
Роботуудыг үргэлж төгс нутагшуулж чаддаггүй тул сайн стекүүд насанд хүрэгчид шиг ажилладаг: тодорхойгүй байдлыг хянаж, хазайлтыг илрүүлж, өөртөө итгэх итгэл буурах үед илүү аюулгүй зан төлөвт шилждэг.
Төлөвлөлт ба шийдвэр гаргалт: Дараа нь юу хийхээ сонгох нь
Робот дэлхийн талаар ажиллах боломжтой дүр зургийг олж авсны дараа юу хийхээ шийдэх хэрэгтэй. Төлөвлөлт нь ихэвчлэн хоёр давхаргад илэрдэг:
-
Орон нутгийн төлөвлөлт (хурдан рефлексүүд) ⚡
Саад бэрхшээлээс зайлсхий, хүмүүсийн ойролцоо хурдаа сааруул, эгнээ/коридороор яв. -
Дэлхийн төлөвлөлт (томоор нь авч үзвэл) 🧭
Хүрэх газраа сонгож, хаалттай газруудаар аялж, ажлуудаа төлөвлөөрэй.
Практикт робот нь "Би тодорхой зам харж байна гэж бодож байна" гэсэн үгийг тавиурын буланд орохгүй эсвэл хүний хувийн орон зай руу орохгүй тодорхой хөдөлгөөний команд болгон хувиргадаг газар юм.
Хяналт: Төлөвлөгөөг жигд хөдөлгөөнд оруулах нь
Хяналтын системүүд нь төлөвлөсөн үйлдлүүдийг бодит хөдөлгөөн болгон хувиргадаг бөгөөд дараах бодит ертөнцийн таагүй зүйлсийг шийдвэрлэдэг:
-
Үрэлт
-
Ачааны ачааллын өөрчлөлт
-
Таталцал
-
Моторын саатал ба хариу үйлдэл
Нийтлэг хэрэгслүүдэд PID , загварт суурилсан хяналт , загвар урьдчилан таамаглах хяналт , урвуу кинематик тэнд "-ыг үе мөчний хөдөлгөөн болгон хувиргадаг математик
Үүнийг бодох ашигтай арга:
Төлөвлөлт нь замыг сонгодог.
Хяналт нь роботыг кофеин агуулсан дэлгүүрийн тэрэг шиг дайвалгүйгээр, хэт их ачаалалгүйгээр, чичиргэлгүйгээр түүнийгээ дагахад хүргэдэг.
Суралцах: Роботууд үүрд дахин програмчлагдахын оронд хэрхэн сайжирдаг вэ
Роботууд орчин өөрчлөгдөх бүрт гараар дахин тохируулахын оронд өгөгдлөөс суралцаж сайжруулж чадна.
Гол суралцах аргууд нь:
-
Хяналттай сургалт 📚: Шошготой жишээнүүдээс суралц (жишээ нь, “энэ бол тавиур”).
-
Өөрийгөө хянах сургалт 🔍: Түүхий өгөгдлөөс бүтцийг сурах (жишээ нь, ирээдүйн хүрээг урьдчилан таамаглах).
-
Баяжуулах сургалт 🎯: Цаг хугацааны явцад шагналын дохиог хамгийн их байлгах замаар үйлдлүүдийг сур (ихэвчлэн агентууд, орчин, өгөөжөөр хүрээлэгдсэн). [3]
RL гялалздаг газар: хянагчийг гараар зохион бүтээх нь хэцүү байдаг нарийн төвөгтэй зан үйлийг сурах.
RL нь хурцадмал болдог газар: өгөгдлийн үр ашиг, судалгааны явцад аюулгүй байдал, симуляциас бодит байдалд шилжих зөрүү.
Хүн-роботын харилцан үйлчлэл: Роботуудад хүмүүстэй ажиллахад нь тусалдаг хиймэл оюун ухаан
Гэр болон ажлын байранд байгаа роботуудын хувьд харилцан үйлчлэл чухал юм. Хиймэл оюун ухаан нь дараах боломжийг олгодог:
-
Яриа таних (дуу авиа → үгс)
-
Зорилго илрүүлэх (үгс → утга)
-
Дохио зангаа ойлгох (заах, биеийн хэлэмж)
Та үүнийг илгээх хүртэл энэ нь энгийн сонсогдож байна: хүмүүс тогтворгүй, аялга өөр өөр, өрөөнүүд чимээ шуугиантай, мөн "тэнд" гэдэг нь координатын хүрээ биш юм.
Итгэлцэл, аюулгүй байдал, “аймшигтай байж болохгүй”: Хөгжилтэй биш ч гэсэн чухал хэсэг
физик үр дагавартай хиймэл оюун ухааны системүүд тул итгэлцэл болон аюулгүй байдлын арга барилыг хоёрдугаарт тавих шаардлагагүй.
Аюулгүй ажиллагааны практик шат нь ихэвчлэн дараахь зүйлийг агуулдаг
-
Өөртөө итгэх итгэл/тодорхой бус байдлыг хянах
-
Ойлголт муудах үеийн консерватив зан үйлүүд
-
Алдаа засах болон аудит хийх үйлдлүүдийг бүртгэх
-
Робот юу хийж чадах талаар тодорхой хил хязгаарыг тогтоох
Үүнийг тодорхойлох өндөр түвшний ашигтай арга бол эрсдэлийн удирдлага юм: засаглал, эрсдэлийг зураглах, хэмжих, амьдралын мөчлөгийн туршид удирдах нь NIST нь хиймэл оюун ухааны эрсдэлийн менежментийг илүү өргөн хүрээнд хэрхэн бүтцэд оруулдагтай нийцдэг. [4]
"Том загвар"-ын чиг хандлага: Суурийн загваруудыг ашигладаг роботууд
Үндсэн загварууд нь роботын ерөнхий зориулалттай зан төлөв рүү түлхэц болж байна, ялангуяа хэл, хараа, үйлдлийг хамтад нь загварчлах үед.
Нэг жишээ чиглэл бол хараа-хэл-үйлдэл (VLA) загварууд бөгөөд систем нь юу харж байгаагаа + юу хийхийг зааварласанаа + ямар үйлдэл хийх ёстойгоо холбоход сургагдсан байдаг. RT-2 нь энэ хэв маягийн хандлагын өргөн хэрэглэгддэг жишээ юм. [5]
Сэтгэл хөдөлгөм хэсэг нь: илүү уян хатан, өндөр түвшний ойлголт.
Бодит байдлын шалгалт: физик ертөнцийн найдвартай байдал нь хашлага шаарддаг хэвээр байгаа бөгөөд сонгодог тооцоолол, аюулгүй байдлын хязгаарлалт, консерватив хяналт нь робот "ухаалаг ярьж" чаддаг гээд алга болдоггүй.
Эцсийн тайлбар
Тэгэхээр, роботууд хиймэл оюун ухааныг хэрхэн ашигладаг вэ? Роботууд хиймэл оюун ухааныг ашиглан төлөв байдлыг (би хаана байна вэ?) мэдрэх , төлөвлөх , хянах , заримдаа суралцах нь аюулгүй байдлыг нэн тэргүүнд тавьдаг зан төлөвтэй найдвартай, хэмжигдэхүйц системээс хамаардаг.
Түгээмэл асуултууд
Роботууд бие даан ажиллахын тулд хиймэл оюун ухааныг хэрхэн ашигладаг вэ?
Роботууд хиймэл оюун ухааныг ашиглан тасралтгүй бие даасан байдлын мөчлөгийг ажиллуулдаг: дэлхийг мэдрэх, юу болж байгааг тайлбарлах, дараагийн аюулгүй алхмыг төлөвлөх, мотороор дамжуулан үйлдэл хийх, өгөгдлөөс суралцах. Практикт энэ нь нэг "ид шидийн" загвар биш харин хамтдаа ажилладаг бүрэлдэхүүн хэсгүүдийн овоолго юм. Зорилго нь төгс нөхцөлд нэг удаагийн үзүүлбэр биш, харин өөрчлөгдөж буй орчинд найдвартай зан төлөв юм.
Робот хиймэл оюун ухаан зөвхөн нэг загвар уу эсвэл бүрэн бие даасан байдлын стек үү?
Ихэнх системд робот хиймэл оюун ухаан нь бүрэн хэмжээний ойлголт, төлөв байдлын тооцоо, төлөвлөлт, хяналт юм. Машин сургалт нь алсын хараа, таамаглал зэрэг ажлуудад тусалдаг бол физикийн хязгаарлалт болон сонгодог хяналт нь хөдөлгөөнийг тогтвортой, урьдчилан таамаглах боломжтой байлгадаг. Олон бодит байршуулалт нь эрлийз аргыг ашигладаг, учир нь найдвартай байдал нь ухаалаг байдлаас илүү чухал юм. Тийм ч учраас "зөвхөн чичиргээнд суурилсан" сургалт нь хяналттай орчингоос гадуур ховорхон оршин тогтнодог.
Хиймэл оюун ухааны роботууд ямар мэдрэгч болон ойлголтын загваруудад тулгуурладаг вэ?
Хиймэл оюун ухааны роботууд нь ихэвчлэн камер, LiDAR, гүн мэдрэгч, микрофон, IMU, кодлогч, хүч/эргэлт эсвэл хүрэлцэх мэдрэгчийг нэгтгэдэг. Ойлголтын загварууд нь эдгээр урсгалыг объектын таних тэмдэг, байрлал, чөлөөт орон зай, хөдөлгөөний дохио гэх мэт ашиглах боломжтой дохио болгон хувиргадаг. Хамгийн сайн практик бол зөвхөн шошго биш, харин өөртөө итгэх итгэл эсвэл тодорхойгүй байдлыг гаргах явдал юм. Энэхүү тодорхойгүй байдал нь мэдрэгчүүд гялбаа, бүдэгрэл эсвэл эмх замбараагүй байдлаас болж муудсан үед илүү аюулгүй төлөвлөлтийг удирдан чиглүүлж чадна.
Робот техникт SLAM гэж юу вэ, яагаад чухал вэ?
SLAM (Зэрэгцээ байршил тогтоох болон газрын зураглал) нь роботод өөрийн байршлыг нэгэн зэрэг тооцоолохын зэрэгцээ газрын зураг бүтээхэд тусалдаг. Энэ нь хөдөлж, нөхцөл байдал өөрчлөгдөхөд "сандралгүйгээр" чиглүүлэх шаардлагатай роботуудын хувьд гол үүрэг гүйцэтгэдэг. Ердийн оролтод дугуйны одометр, IMU, LiDAR эсвэл харааны тэмдэглэгээ, заримдаа гадаа GPS орно. Сайн стекүүд нь шилжилт хөдөлгөөн болон тодорхойгүй байдлыг хянадаг тул байршил тогтворгүй болох үед робот илүү консерватив байдлаар ажиллах боломжтой.
Роботын төлөвлөлт болон роботын удирдлага хоёр юугаараа ялгаатай вэ?
Төлөвлөлт нь роботын дараа юу хийх ёстойг шийддэг, тухайлбал очих газраа сонгох, саад бэрхшээлийг тойрон гарах, эсвэл хүмүүсээс зайлсхийх гэх мэт. Удирдлага нь үрэлт, ачааллын өөрчлөлт, хөдөлгүүрийн саатлыг үл харгалзан уг төлөвлөгөөг жигд, тогтвортой хөдөлгөөн болгон хувиргадаг. Төлөвлөлтийг ихэвчлэн дэлхийн төлөвлөлт (том зургийн маршрут) болон орон нутгийн төлөвлөлт (саад бэрхшээлийн ойролцоо хурдан рефлекс) гэж хуваадаг. Удирдлага нь төлөвлөгөөг найдвартай дагаж мөрдөхийн тулд PID, загварт суурилсан хяналт эсвэл загвар урьдчилан таамаглах хяналт зэрэг хэрэгслүүдийг ихэвчлэн ашигладаг.
Роботууд тодорхойгүй байдал эсвэл өөртөө итгэх итгэл багатай байдлыг хэрхэн аюулгүйгээр зохицуулдаг вэ?
Сайн зохион бүтээсэн роботууд тодорхойгүй байдлыг зан төлөвт оруулах зүйл гэж үздэг болохоос үгүйсгэх зүйл биш юм. Ойлголт эсвэл байршлын итгэл буурах үед таамаглал дэвшүүлэхийн оронд удаашруулах, аюулгүй байдлын хязгаарыг нэмэгдүүлэх, аюулгүй зогсоох эсвэл хүний тусламж хүсэх нь түгээмэл арга юм. Системүүд мөн үйлдлүүд болон нөхцөл байдлыг бүртгэдэг тул ослыг аудит хийх боломжтой бөгөөд засахад хялбар байдаг. Энэхүү "сайхан бүтэлгүйтэл" сэтгэлгээ нь демо болон байрлуулж болох роботуудын хоорондох гол ялгаа юм.
Бэхжүүлэлтийн сургалт роботуудад хэзээ ашигтай байдаг вэ, юу нь хэцүү болгодог вэ?
Баяжуулах сургалтыг ихэвчлэн удирдлага эсвэл хөдөлгөөн гэх мэт нарийн төвөгтэй ур чадваруудад ашигладаг бөгөөд хянагчийг гараар зохион бүтээх нь хэцүү байдаг. Энэ нь шагналд суурилсан туршилт, алдаагаар дамжуулан үр дүнтэй зан үйлийг илрүүлж чаддаг бөгөөд ихэвчлэн симуляцид байдаг. Хайгуул нь аюултай, өгөгдөл үнэтэй байж болох бөгөөд симуляциас бодит зай нь бодлогыг эвдэж болзошгүй тул байршуулалт нь төвөгтэй болдог. Олон дамжуулах хоолой нь аюулгүй байдал, тогтвортой байдлын хувьд хязгаарлалт болон сонгодог хяналттай хамт RL-ийг сонгон ашигладаг.
Суурь загварууд роботуудын хиймэл оюун ухааныг ашиглах арга барилыг өөрчилж байна уу?
Суурь загварын аргууд нь роботуудыг илүү ерөнхий, зааварчилгааг дагах зан төлөв рүү түлхэж байна, ялангуяа RT-2 маягийн систем гэх мэт харааны хэлний үйлдэл (VLA) загваруудад. Давуу тал нь уян хатан байдал юм: роботын харж буй зүйлийг юу хийхийг нь хэлсэн, хэрхэн ажиллах ёстойтой нь холбох. Бодит байдал дээр сонгодог тооцоолол, аюулгүй байдлын хязгаарлалт, консерватив хяналт нь физик найдвартай байдлын хувьд чухал хэвээр байна. Олон багууд үүнийг амьдралын мөчлөгийн эрсдэлийн менежмент гэж үздэг бөгөөд энэ нь NIST-ийн AI RMF гэх мэт хүрээтэй төстэй юм.
Лавлагаа
[1] Дюррант-Уайт ба Бэйли -
Нэгэн зэрэг нутагшуулалт ба зураглал (SLAM): I хэсэг Үндсэн алгоритмууд (PDF) [2] Линч ба Парк -
Орчин үеийн робот техник: Механик, төлөвлөлт ба хяналт (PDF хэвлэхээс өмнөх хувилбар) [3] Саттон ба Барто -
Баяжуулах сургалт: Оршил (2 дахь хэвлэл PDF) [4] NIST -
Хиймэл оюун ухааны эрсдэлийн удирдлагын хүрээ (AI RMF 1.0) (PDF) [5] Брохан нар - RT-2: Хараа-Хэл-Үйлдлийн загварууд нь вэб мэдлэгийг роботын удирдлагад шилжүүлэх (arXiv)