بررسی رویکردهای یادگیری تقویتی و تقلیدی در طراحی و بازسازی دست رباتیک

چ مهارت دست انسان در انجام حرکات ظریف و دقیق حین انجام وظایف پیچیده، الهام بخش توسعه سیستم های رباتیکی با قابلیت های مشابه است. توانایی ربات ها در گرفتن و دستکاری اشیاء به روشی مشابه انسان، گامی اساسی در جهت گسترش کاربرد آنها در محیط های انسانی و جایگزینی نیروی کار محسوب می شود. در دهه های اخیر، تحقیقات گسترده ای به منظور ارتقای توانایی گرفتن اشیا با ربات در سیستم های رباتیک انجام شده است. نسل های اولیه ربات های دست، از مسیرهای برنامه ریزی شده دقیق پیروی می کردند. در ادامه، مدل سازی تحلیلی حرکت و تماس به عنوان رویکردی جایگزین مطرح شد. با این حال، این روش ها به دلیل ناتوانی در انطباق با محیط های پیچیده و شرایط غیرقابل پیش بینی، کارایی لازم را ارائه نمی دادند. به همین دلیل، تمرکز تحقیقات به سمت رویکردهای مبتنی بر یادگیری معطوف شده است. در این روش ها، داده ها از طریق تعامل با دنیای واقعی یا شبیه سازی ها، در حین تلاش های مکرر برای انجام وظایف مختلف، جمع آوری می شوند. اکثر رویکردهای یادگیری در این زمینه، بر روی آموزش مدل های مبتنی بر داده یا یادگیری تقویتی تمرکز دارند. یادگیری تقویتی به دلیل توانایی چشمگیر آن در یافتن راه حل برای مسائل با حداقل مداخله انسان، از محبوبیت روزافزونی برخوردار شده است. این مقاله مروری، به بررسی پیشرفت های انجام شده در حوزه یادگیری برای ربات دست می پردازد و چالش ها و فرصت های پیش رو را مورد بحث قرار می دهد. مقاله مذکور برای افرادی که در این حوزه که به دنبال آشنایی با مفاهیم کلیدی هستند و همچنین برای متخصصان باتجربه که به دنبال درک آخرین پیشرفت ها می باشند، مفید خواهد بود.

کلیدواژه ها:

دست رباتیک ، یادگیری تقویتی ، یادگیری تقلیدی