حذف نویز رفتاری چگونه مانع میانگین‌گیری کورکورانه در یادگیری ربات‌ها می‌شود؟

در دوازده آزمون استاندارد دست‌کاری اشیا توسط بازوهای رباتیک، تنها یک تغییر در معماری الگوریتم‌ها توانسته نرخ موفقیت اجرای وظایف را به طور میانگین ۴۶.۹ درصد افزایش دهد. این پیشرفت هیچ ربطی به استفاده از سخت‌افزارهای تازه، موتورهای پرقدرت‌تر یا دوربین‌های با وضوح بالاتر ندارد؛ بلکه مستقیماً حاصل بازتعریف پایه‌های ریاضیاتی تصمیم‌گیری ربات در هر گام حرکتی است.[2]

برای سال‌ها، مهندسان برای آموزش ربات‌ها از روش «کلون‌سازی رفتاری» استفاده می‌کردند؛ رویکردی که یادگیری حرکتی را نوعی مسئله رگرسیونِ قطعی فرض می‌کند. در این الگو، ربات حرکات نمایشی انسان را تماشا کرده و تلاش می‌کند دقیقاً همان فرامین حرکتی موتورها را بازتولید کند.[1]

این رویکرد زمانی بدون نقص عمل می‌کند که برای حل یک مسئله، تنها یک مسیر درست وجود داشته باشد. اما فیزیک و کنش‌های انسانی ذاتاً چندگانه، متنوع و غیرقابل پیش‌بینی‌اند. برای نمونه، فرد بسته به موقعیت ممکن است یک فنجان چای را از دسته آن بردارد یا ترجیح دهد دستش را دور بدنه فنجان حلقه کند.[1]

الگوریتم‌های کلاسیک وقتی ناچار می‌شوند از هر دو رویکرد همزمان یاد بگیرند، دچار خطایی فاجعه‌بار می‌شوند. آن‌ها به جای انتخاب یکی از مسیرها، دو استراتژی صحیح را با هم جمع زده و میانگین می‌گیرند. در نتیجه، حرکتی تولید می‌شود که در واقع هیچ‌یک از آن دو نیست: ربات وسط دو مسیر را نشانه می‌رود و کاملاً به هدف اصابت نمی‌کند.[1]

چارچوب محاسباتی نوینی موسوم به «سیاست انتشاری» با کنار گذاشتن پیش‌بینی خطی و مستقیم، این چالش را مرتفع کرده است. این ساختار با وام‌گیری معادلات ریاضیاتی «حذف تدریجی نویز» که پیش‌تر در موتورهای مولد تصویر به کار گرفته شده بود، به ربات‌ها امکان می‌دهد چند شیوه متمایز را برای یک وظیفه در ذهن نگه دارند و بدون درنگ دست به اقدام بزنند.[3][5]

تله میانگین‌گیری در توزیع رفتارها

برای درک بهتر چرایی شکست الگوهای سنتی، رباتی را تصور کنید که باید از روبه‌روی یک مانع عبور کند. مجموعه داده آموزشی ربات شامل ۱۰۰ فیلم حرکتی از انسان است؛ در ۵۰ مورد انسان ربات را از سمت چپ مانع عبور داده و در ۵۰ مورد دیگر از سمت راست.

روش استاندارد کلون‌سازی رفتاری، خطای میانگین مربعات میان حرکت پیش‌بینی‌شده ربات و داده‌های آموزشی را به حداقل می‌رساند. این الگوریتم همواره در پی یک خروجی عددی واحد است که کمترین فاصله ریاضیاتی ممکن با کل نمونه‌های ثبت‌شده را داشته باشد.[1]

در مواجهه با این توزیع دوقله‌ای (حرکت به چپ یا حرکت به راست)، میانگین ریاضی عملاً مسیر مستقیم است. بنابراین ربات این دو جهت‌گیری صحیح را میانگین می‌گیرد، مستقیماً به دل مانع می‌زند و مأموریت متوقف می‌شود؛ الگوریتم قادر به هضم این نکته نیست که دو کنش متضاد می‌توانند هر دو همزمان درست باشند.

این پدیده که در ادبیات هوش مصنوعی به «میانگین‌گیری مدهای توزیع» شناخته می‌شود، یک دهه کامل توسعه یادگیری تقلیدی را به بن‌بست کشانده بود. مهندسان مجبور بودند مجموعه داده‌های خود را با وسواسی فرساینده فیلتر کنند و بخش اعظمی از داده‌های صحیح انسانی را دور بریزند تا مبادا دو نوع رفتار متمایز ثبت شود.[4]

تحلیلی در سال ۲۰۲۶ از سوی مرکز رباتیک اشاره می‌کند: «مدلی که ناچار است این توزیع چندگانه را در قالب یک پیش‌بینی تکی فشرده کند، یا روی یک مسیر قمار می‌کند و در نیمی از موارد می‌بازد، یا مدها را با یکدیگر ترکیب کرده و مسیری بینابینی و عجیب می‌سازد که همیشه محکوم به شکست است.» همین تنگنای ریاضیاتی سال‌ها داده‌های ارزشمند عملیاتی را به کام سطل زباله فرستاده بود.[1]

مدل‌سازی مولد در فضای فیزیکی

راه نجات اما از میدانی کاملاً بیگانه با مکانیک ظهور کرد: هوش مصنوعی مولد. مدل‌هایی مانند استیبل دیفیوژن، تصویر نهایی را از دل صفحه‌ای آکنده از نویز تصادفی گاوسی بیرون می‌کشند؛ با پاکسازی و تفکیک تدریجی و لایه‌به‌لایه نویز در چند مرحله تا شکل‌گیری تصویری معنادار.[1]

در سال ۲۰۲۳، گروهی از پژوهشگران دانشگاه کلمبیا همین سازوکار ریاضی را مستقیماً وارد حوزه مکانیک فیزیکی کردند. به جای تولید شبکه‌ای از پیکسل‌ها، مدل این بار زنجیره‌ای پیوسته از فرامین محرک‌ها را خلق می‌کرد. بنیان فرمول‌ها دست‌نخورده ماند، اما خروجی نهایی از تصویر به کنش فیزیکی بدل شد.[3]

در چارچوب سیاست انتشاری، ربات با دریافت تصویر دوربین‌ها دیگر تلاش نمی‌کند بلافاصله زاویه مناسب مفاصل بازو را محاسبه کند؛ بلکه فرآیند را از یک توالی کاملاً درهم‌ریخته و رندوم در فضای احتمالات حرکتی آغاز می‌نماید.[1]

سپس شبکه عصبی، این مسیر پر از نویز را با تصویر بصری دریافتی از محیط مقایسه می‌کند. الگوریتم با محاسبه گرادیان توزیع اعمال، ارزیابی می‌کند که این اعداد نامنظم در چه جهتی باید جابه‌جا و اصلاح شوند تا بیشترین شباهت را به رفتارهای نمایش‌داده‌شده توسط انسان پیدا کنند.[5]

طی فرآیندی آماری موسوم به دینامیک تصادفی لانژون، مدل مرحله به مرحله به پالایش مسیر می‌پردازد. در بازه‌ای بین ۱۰ تا ۱۰۰ گام مجزا، توده نویز خام تغییر ماهیت داده و به یک نقشه حرکتی اجرایی و دقیق بدل می‌شود؛ به بیانی دیگر، ارقام کاتوره‌ای صیقل خورده و هیئت کنشی هدفمند به خود می‌گیرند.[2]

پاسداری از رفتارهای چندگانه

از آنجا که فرآیند انتشار کل تابع توزیع احتمالِ داده‌های آموزشی را تخمین می‌زند و خود را به محاسبه میانگین محدود نمی‌کند، رفتارهای چندوجهی را بی‌کم‌وکاست حفظ می‌نماید. مدل در محاسبات خود به‌خوبی درک می‌کند که «چپ» و «راست» هر دو خوشه‌های متراکم و معتبری از واکنش‌های درست هستند.[4]

هنگامی که عملیات حذف نویز آغاز می‌شود، داده‌های رندوم اولیه ناخودآگاه به سمت یکی از این دو خوشه تمایل بیشتری نشان می‌دهند. فرآیند بازگشتی پالایش، کل مسیر حرکتی را به سوی همان مد نزدیک‌تر می‌کشاند و بدون سردرگمی، استراتژی مذکور را به مرحله اجرا می‌گذارد.[5]

ربات هرگز دو مد را با هم جمع نمی‌زند؛ زیرا شکاف میان آن‌ها در تابع توزیع، دره‌ای با احتمال نزدیک به صفر است. ربات با اطمینان کامل به چپ می‌رود یا با اطمینان راه راست را پیش می‌گیرد، اما هیچ‌گاه مسیر میانی و اشتباه را انتخاب نمی‌کند؛ ابهام به تمامی در گام‌های حذف نویز رفع می‌شود.[1]

این ساختار محاسباتی دست مهندسان را باز می‌گذارد تا دموهای متنوع، بدون ویرایش و پر از ناهمگونی انسان‌ها را وارد شبکه کنند. سیاست انتشاری بدون اینکه دچار افت کیفی و همگن‌سازی مخرب مدل‌های رگرسیون شود، انواع حالت‌های مهار اشیا، زاویه‌های مختلف دسترسی و حرکات جبرانی اصلاحی را هضم می‌کند.[7]

آزمایش‌های عملی مؤید این ادعا هستند. در وظیفه پیچیده‌ای مانند پهن کردن اجسام با دو بازوی رباتیک، جایی که اپراتورهای انسانی از استراتژی‌های حرکتی متفاوتی استفاده می‌کردند، سیاست انتشاری حرکات مرکب را به درستی تکرار کرد؛ در حالی که کلون‌سازی رفتاری کاملاً فروریخته بود. ربات تنوعی را که پیش‌تر سیستم را متوقف می‌کرد، بی‌دردسر مهار نمود.[1]

پنهان‌سازی تاخیر زمانی پردازش

با تمام این اوصاف، گلوگاه اصلی این شیوه حذف بازگشتی نویز، بار سنگین پردازشی آن است. یک مدل رگرسیونی ساده برای صدور فرمان حرکت بعدی تنها به یک‌بار عبور داده‌ها از شبکه عصبی نیاز دارد، اما سیاست انتشاری برای رسیدن به همان خروجی، ده‌ها بار رفت‌وبرگشت محاسباتی را می‌طلبد.[1]

تحمیل ۱۰ تا ۱۰۰ گام حذف نویز برای هر فرمان مجزای موتور، تأخیر زمانی فوق‌العاده‌ای ایجاد می‌کند که کنترل بی‌درنگ و فیزیکی را ناممکن می‌سازد. ربات نمی‌تواند برای تصمیم‌گیری درباره پیمودن میلی‌متر بعدی، نیم ثانیه در هوا معلق بماند.[1]

برای غلبه بر این مانع پردازشی، معماری سیستم از تکنیکی به نام «تکه‌بندی اعمال» استفاده می‌کند. به جای محاسبه مقطعی و گام‌به‌گام یک فرمان، مدل انتشاری زنجیره‌ای متشکل از ۱۶ تا ۳۲ حرکت پیاپی آینده را یک‌باره نویززدایی کرده و آماده می‌سازد.[1]

ربات در این حین، ۸ کنش ابتدایی از این بسته تولیدشده را با بسامد کنترلی معمول خود (عموماً ۱۰ هرتز) اجرا می‌کند. همزمان با اجرای این حرکات فیزیکی، پردازنده مرکزی بسته حرکتی بعدی را در پس‌زمینه آماده و نویززدایی می‌نماید.[1]

این همپوشانی زمانی میان اجرا و محاسبه، بار پردازشی را کاملاً پنهان می‌کند. سرعت پاسخگویی ربات تنها تابع محدودیت‌های مکانیکی بدنه می‌ماند و به دستگاه امکان می‌دهد بدون از دست دادن چابکی و نرخ واکنش، از محاسبات عمیق هوش مولد بهره‌مند شود.[6]

مقیاس‌پذیری داده‌ها و نیازمندی‌های سخت‌افزاری

گذر از مدل‌سازی رگرسیونی به الگوهای مولد، شیوه جمع‌آوری داده‌ها توسط تیم‌های رباتیک را نیز دگرگون کرده است. کارایی سیاست‌های سنتی خیلی زود به سقف نهایی می‌رسید؛ چرا که تزریق داده‌های ناهمگن بیشتر، مدهای توزیع را افزایش داده و سیستم را به سمت میانگین‌گیری اشتباه هل می‌داد.[1]

سیاست‌های انتشاری درست برعکس رفتار می‌کنند. با توجه به پارامترهای بسیار بیشتر و شیوه دقیق‌تر بازنمایی ریاضیاتی، این شبکه‌ها با افزایش حجم و تنوع مجموعه داده‌ها پیوسته هوشمندتر می‌شوند؛ ناهمگونی بیشتر صرفاً به توزیع احتمالاتی غنی‌تر می‌انجامد.[1]

در گام‌های اولیه، تسلط بر یک فعالیت تک‌منظوره در شرایط آزمایشگاهی به ۱۰۰ تا ۲۰۰ نمایش انسانی نیازمند است. اما برای عملیاتی‌سازی مطمئن در محیط‌های واقعی با تنوع نورپردازی و تغییر زوایای اجسام، تیم‌ها معمولاً ۳۰۰ تا ۵۰۰ نمونه نمایشی را مبنای کار قرار می‌دهند.[1]

کیفیت بصری داده‌ها نیز تعیین‌کننده است. برای داده‌های محدودتر، قفل کردن انکودرهای بینایی ازپیش‌آموزش‌دیده تعمیم‌پذیری بهتری به همراه دارد. اما در مجموعه‌داده‌های فراتر از ۵۰۰ نمایش، آموزش سرتاسری رمزگذار تصویری به دقت مکانیکی به مراتب بالاتری ختم می‌شود.[1]

الزامات سخت‌افزاری در مرحله آموزش نیز چشمگیر است. ترسیم فضاهای حرکتی با ابعاد بالا — نظیر بازوهای دوگانه با ۱۴ درجه آزادی حرکتی — حافظه گرافیکی عظیمی می‌طلبد تا بتوان گام‌های پیاپی دیفیوژن را در دسته‌های محاسباتی پرشمار به انجام رساند.[1]

آینده کنترل بصری‌حرکتی

رواج تکنیک‌های حذف بازگشتی نویز کنشی، چرخش پارادایم در درک ماشین از جهان پیرامون را نشان می‌دهد. جامعه مهندسی در حال فاصله گرفتن از نگاشت ساده بینایی به پاسخ‌های جبری است؛ با این پذیرش واقع‌بینانه که جهان فیزیکی برای پیش‌بینی‌های تک‌نقطه‌ای بیش از حد مبهم است.[7]

با در آغوش کشیدن مدل‌های مولد بر مبنای احتمالات، دانشمندان کلید آموزش ماشین‌ها با اتکا به الگوهای نامنظم، چندلایه و در عین حال کارآمد رفتارهای انسانی را یافته‌اند. الگوریتم‌ها سرانجام در حال هم‌سطح شدن با پیچیدگی‌های جهان ملموس هستند.[4]

جهش ۴۶.۹ درصدی در نرخ موفقیت عملکرد، پایان مسیر نیست بلکه کف کارایی این معماری تازه به شمار می‌رود. با رشد فنون شتاب‌دهی استنتاج نظیر «تقطیر سازگاری»، تأخیر زمانی فرآیند حذف نویز در گام‌های بعدی باز هم کاهش خواهد یافت.[1][2]

در نهایت، سیاست‌های انتشاری شکاف میان استدلال سطح بالا و اجرای مکانیکی در سطح خرد را پر می‌کنند. آن‌ها مبنای ریاضی لازمی را شکل می‌دهند که ربات‌های چندمنظوره برای مسیریابی و تعامل با جهان ناشناخته به آن محتاجند.[6][7]