تتطلب الروبوتات الحديثة بيانات دقيقة ومتنوعة لتدريب أنظمتها، مما يجعل البيانات الاصطناعية خيارًا مثاليًا لتلبية هذه الاحتياجات.
كيف تتعلم الروبوتات التعامل مع الحرارة باستخدام البيانات الاصطناعية
تحتاج فرق الروبوتات عادةً إلى كميات هائلة من البيانات لتدريب وتقييم أنظمتها. مع تزايد الطلب، أصبحت الأنظمة أكثر تعقيدًا، وارتفعت معايير الجودة للبيانات الواقعية والاصطناعية.
المشكلة هي أن معظم البيانات الواقعية متكررة. تلتقط الأساطيل نفس الشوارع الفارغة، نفس المحيطات الهادئة، ونفس الدوريات غير المثيرة. اللحظات المفيدة نادرة، وتقضي الفرق شهورًا في البحث عنها.
التحدي ليس فقط في جمع الحالات النادرة، بل أيضًا في الحصول على تغطية كاملة عبر الفصول، والإضاءة، والطقس، والآن عبر مستشعرات مختلفة – بما في ذلك الحرارية، التي تصبح أساسية عندما تنخفض الرؤية.
لا يمكن لأي فريق الانتظار عامًا للحصول على الموسم المناسب أو خلق آلاف الحوادث الواقعية فقط لجمع البيانات. حتى أكبر الأساطيل لا يمكنها التقاط كل سيناريو تحتاجه. الواقع ببساطة لا ينتج تنوعًا كافيًا بالسرعة المطلوبة.
لذا، تتجه الفرق إلى البيانات الاصطناعية. يمكنهم توليد السيناريوهات الدقيقة التي يحتاجونها عند الطلب، من الطرق المغطاة بالجليد إلى المخاطر النادرة التي تظهر مرة واحدة في السنة. يمكنهم أيضًا إنشاء نسخ حرارية من هذه المشاهد، مما يمنح الروبوتات الأمثلة التي تحتاجها لتتعلم الرؤية عندما تختفي الإضاءة.
توفر البيانات الاصطناعية فرق الروبوتات التغطية التي لا يمكن أن يقدمها الواقع، بالسرعة التي تتطلبها الأنظمة الحديثة.
البيانات الاصطناعية تعرض الروبوتات لسيناريوهات العالم الحقيقي
تدريب الأنظمة المستقلة على البيانات الاصطناعية – السيناريوهات التي يتم إنشاؤها بواسطة الكمبيوتر والتي تحاكي الظروف الواقعية – يمنح الروبوتات وسيلة للتعرف على العالم قبل أن تواجهه. تمامًا كما يمكن للطفل أن يتعلم التعرف على الديناصورات من مشاهدة حديقة الديناصورات، يمكن لنماذج الرؤية الحاسوبية أن تتعلم التعرف على أشياء جديدة، وبيئات، وسلوكيات من خلال التدريب على أمثلة محاكاة.
يمكن أن توفر مجموعات البيانات الاصطناعية مشاهد غنية ومتنوعة ومتحكم بها تساعد الروبوتات على بناء فهم لكيفية ظهور العالم وسلوكه عبر مجموعة كاملة من الحالات التي قد تواجهها.
الرؤية ما وراء اللون
تستخدم الروبوتات، مثل البشر، أكثر من الكاميرات القياسية لفهم العالم. تعتمد على الليدار والرادار والسونار لاستشعار العمق أو اكتشاف الأجسام. عندما تنخفض الرؤية في الليل أو في الضباب، تتحول إلى الأشعة تحت الحمراء.
أكثر مستشعرات الأشعة تحت الحمراء شيوعًا هو الكاميرا الحرارية. تحول الحرارة إلى صور، مما يسمح للروبوتات برؤية الأشخاص، والمركبات، والمحركات، والحيوانات حتى في الظلام الدامس.
لتدريب هذه الأنظمة بشكل جيد، تحتاج الفرق إلى بيانات حرارية اصطناعية تلتقط مجموعة كاملة من أنماط الحرارة التي ستواجهها الروبوتات في الميدان.
تتألق البيانات الحرارية الاصطناعية في التطبيقات عالية المخاطر
تعتبر البيانات الحرارية الاصطناعية ذات أهمية خاصة في الأماكن التي يكون فيها جمع اللقطات الحرارية الواقعية خطيرًا أو نادرًا جدًا. تعمل الأنظمة الدفاعية والصناعية في بيئات فوضوية وغير متوقعة، وتحتاج إلى تغطية لا يمكن أن يوفرها الواقع بشكل موثوق.
- السفن المستقلة في البحر: الضباب، ورذاذ الماء، والظلام هي أمور طبيعية في البحر. تجعل الحرارة الأشخاص، والقوارب، والسواحل بارزة عندما تفشل الكاميرات RGB.
- الطائرات بدون طيار في الليل: جمع البيانات الحرارية للرحلات الليلية الطارئة أو تجنب الاصطدام في التضاريس المزدحمة أمر محفوف بالمخاطر ومكلف. تسمح البيانات الحرارية الاصطناعية للطائرات بدون طيار بالتعلم كيفية التنقل في الظلام الدامس، عبر الدخان، والضباب، والنباتات الكثيفة حيث تفشل الكاميرات التقليدية.
- الأقمار الصناعية التي تتعقب توقيعات الحرارة: الضوضاء الجوية وحدود المستشعر تعني أن الأقمار الصناعية لا يمكنها التقاط كل سيناريو حراري على الأرض. تملأ البيانات الحرارية الاصطناعية الفجوات في التنبؤات الجوية، ومراقبة المناخ، والاستجابة للكوارث، مما يعزز النماذج التي تعتمد عليها هذه الأقمار الصناعية.
تسمح البيانات الحرارية الاصطناعية للفرق ببناء الروبوتات بسرعة 100 ضعف
تقوم الفرق بالفعل بتوليد مجموعات بيانات اصطناعية للسيناريوهات النادرة أو الصعبة الالتقاط عند الطلب بدلاً من الانتظار شهورًا للحصول على بيانات ميدانية. لقد دفع هذا التحول سرعة التكرار إلى 100 ضعف في بعض الحالات وقلل تكاليف الحصول على البيانات بنسبة تصل إلى 70% عند دمجها مع مجموعات البيانات الواقعية.
يمكن أن تجعل إضافة البيانات الحرارية الاصطناعية هذه المكاسب أكبر. من خلال العمل مع أفضل شركاء المحاكاة في العالم، تمكنا من بناء خط أنابيب حراري عالي الجودة يوفر هذه السرعة والمزايا التكلفة مباشرة للفرق التي تبني الجيل التالي من الذكاء الاصطناعي الفيزيائي.
ما هو المستقبل – البيانات الاصطناعية أم الواقعية؟
تحتاج الفرق إلى كل من البيانات الواقعية والاصطناعية، كما رأينا من العمل مع بعض من أكثر مجموعات الروبوتات تقدمًا في العالم، من فرق المركبات القمرية التابعة لناسا إلى فرق الاستقلالية الميدانية التابعة لأندريل. يجمعون كميات هائلة من البيانات الواقعية، لكن الكثير منها متكرر.
المشكلة ليست في الكمية؛ بل في التغطية. الهدف هو العثور على الفجوات والتحيزات في تلك المجموعات الواقعية وملئها بالبيانات الاصطناعية المستهدفة.
تقدم هذه المقاربة الهجينة للفرق استراتيجية بيانات أقوى وأكثر اكتمالًا. من خلال دمج تفاصيل المهام الحقيقية مع دقة وحجم التوليد الاصطناعي، يمكن لفرق الروبوتات بناء أنظمة جاهزة لأصعب الظروف والسيناريوهات ذات الاحتمالية المنخفضة التي سيواجهها كل روبوت في نهاية المطاف.
من خلال الجمع بين البيانات الواقعية والاصطناعية، يمكن للفرق تحسين استراتيجياتها وبناء أنظمة روبوتية أكثر كفاءة وموثوقية.
