هوش مصنوعی چگونه ربات‌های انسان‌نما را برای مبارزه برنامه‌ریزی می‌کند؟

هوش مصنوعی ربات‌های انسان‌نما را برای رقابت‌های پیچیده از طریق ترکیب بینایی ماشین در لحظه و سیاست‌های یادگیری تقویتی برنامه‌ریزی می‌کند؛ سیستمی که به ربات اجازه می‌دهد پایدارترین واکنش فیزیکی را فوراً اجرا کند. این مکانیسم اخیراً در نبرد نمایشی ربات‌ها در شانگهای به نمایش درآمد. شبکه یورونیوز در گزارش سپتامبر ۲۰۲۶ خود از این رویداد تأکید می‌کند: «ربات‌های انسان‌نما در شانگهای رو در روی هم قرار گرفتند و به‌طور خودکار در رینگ جابه‌جا شدند و حرکات حریفان را تحلیل کردند و در لحظه واکنش مناسب را انتخاب کردند» [1].[1]

گذر از انیمیشن‌های از پیش برنامه‌ریزی‌شده به واکنش‌های پویا، نیازمند یک معماری چندلایه است. در بالاترین سطح، سیستم‌های بینایی محیط را پردازش می‌کنند و در پایین‌ترین سطح، الگوریتم‌های کنترل یکپارچه بدن (WBC) گشتاور دقیق مورد نیاز برای هر یک از ۲۰ تا ۴۰ درجه آزادی (مفصل) ربات را محاسبه می‌کنند [5]. برای مثال، در پلتفرم‌هایی مانند Unitree G1، این محاسبات تا ۱۰۰۰ بار در ثانیه (1000 Hz) انجام می‌شود تا تعادل ربات در برابر ضربات حفظ شود [2]. این سرعت پردازش، ربات را از یک ماشین خشک به یک مبارز واکنش‌گرا تبدیل می‌کند.[2][5]

پیش از آنکه ربات بتواند ضربه‌ای وارد کند، باید دقیقاً بداند که خود و حریفش در فضای سه‌بعدی کجا قرار دارند. الگوریتم‌های جدیدی مانند سیستم مختصات مبتنی بر گرانش (Gravity-View) به ربات اجازه می‌دهند تا حرکات انسان یا ربات مقابل را از طریق فیدهای ویدیویی در کمتر از ۳۰ میلی‌ثانیه استخراج کنند [4]. با هم‌ترازی داده‌های بصری با گرانش زمین، ربات از انباشت خطاهای محاسباتی جلوگیری می‌کند و حتی در حین حرکات سریع، موقعیت حریف را با دقت میلی‌متری ردیابی می‌کند [4].[4]

هسته اصلی مکانیسم مبارزه، نحوه تصمیم‌گیری ربات است. پژوهشگران این ربات‌ها را با استفاده از یادگیری تقویتی عمیق طی بیش از ۱۰,۰۰۰ ساعت آموزش در محیط‌های شبیه‌سازی‌شده آماده می‌کنند؛ جایی که ربات برای ضربات موفق پاداش و برای افتادن جریمه دریافت می‌کند. با این حال، انتقال نرم بین مهارت‌های مختلف — مانند پرش، مشت زدن و جاخالی دادن — از نظر محاسباتی بسیار دشوار است و اغلب منجر به از دست رفتن تعادل می‌شود [2].[2]

برای حل این مشکل، چارچوب‌هایی مانند «دروازه‌بندی سیاست‌های پایدار» (RPG) در آوریل ۲۰۲۶ معرفی شدند. این سیستم به عنوان یک شبکه متخصص ترکیبی عمل می‌کند که چندین سیاست حرکتی را ادغام می‌نماید [2]. به جای تغییر ناگهانی از الگوریتم راه رفتن به مشت زدن، این شبکه یک انتقال نرم را در کسری از ثانیه محاسبه می‌کند و به ربات اجازه می‌دهد تا حرکات چابک را بدون تکان‌های ناپایدار اجرا کند [2].[2]

فراتر از یادگیری تقویتی، هوش مصنوعی مولد اکنون برای تولید حرکات در لحظه استفاده می‌شود. سیستم‌هایی مانند TextOp که در فوریه ۲۰۲۶ توسعه یافتند، از مدل‌های انتشار حرکت برای تولید مسیرهای سینماتیک در زمان واقعی بهره می‌برند [3]. اگرچه این سیستم‌ها برای کنترل ربات‌ها از طریق دستورات متنی طراحی شده‌اند، اما توانایی آن‌ها در تولید فوری حرکات از نظر فیزیکی ممکن، همان چیزی است که به یک ربات مبارز اجازه می‌دهد تا موضع خود را با تغییر حرکت حریف تطبیق دهد [3].[3]

در تمام این فرآیندها، مسئله تعادل یا «نقطه گشتاور صفر» (ZMP) حیاتی‌ترین چالش فیزیکی است. هر مشتی که توسط یک ربات پرتاب می‌شود، مرکز جرم آن را جابه‌جا می‌کند. الگوریتم‌ها دائماً نقطه‌ای روی زمین را محاسبه می‌کنند که در آن مجموع نیروهای واژگون‌کننده برابر صفر است؛ با تشخیص یک برخورد قریب‌الوقوع، سیستم کنترل فوراً مچ پا و لگن را با اعمال ده‌ها نیوتن‌متر گشتاور تنظیم می‌کند تا این نقطه درون ردپای ربات باقی بماند [5].[5]

در نهایت، برنامه‌ریزی یک ربات برای مبارزه — همان‌طور که در رویداد سپتامبر ۲۰۲۶ در شانگهای دیده شد — صرفاً آموزش جنگیدن نیست، بلکه آموزش بازیابی تعادل است [1]. الگوریتم‌های پیچیده‌ای که امروز به یک ربات اجازه می‌دهند در یک رینگ ضربات را دفع کند، دقیقاً همان زیرساخت‌هایی هستند که در آینده به ربات‌های امدادگر اجازه می‌دهند در مناطق زلزله‌زده مسیریابی کنند [1][5].[1][5]