به گزارش شفقنا، ناوبری برای ربات‌ها، به ویژه زمانی که نمی‌توانند به طور قطعی موقعیت خود را تشخیص دهند، کاری دشوار است. روش‌های سنتی به نقشه‌های دقیق متکی هستند یا فرض می‌کنند که موقعیت‌یابی دقیق همیشه در دسترس است، فرضیاتی که در محیط‌های ناآشنا کارایی خود را از دست می‌دهند. بسیاری از مدل‌های هوش مصنوعی پیشین، تنها بر یافتن مسیرهای بدون برخورد تمرکز می‌کردند و به این نکته که آیا ربات می‌تواند در طول مسیر به درستی موقعیت‌یابی کند، توجهی نداشتند.
در این پژوهش جدید که بر اساس یک مدل هوش مصنوعی جدید با عنوان یادگیری تقویتی عمیق (DRL) بنا شده است، هدف اصلی آموزش به ربات‌ها است تا به جای حرکت کورکورانه، مسیری را انتخاب کنند که احتمال گم شدن در آن کمتر است. این ربات‌ها یاد می‌گیرند که اطراف خود را ارزیابی کرده و مسیرهایی را انتخاب کنند که دید بهتری برای موقعیت‌یابی به آن‌ها می‌دهند.
در آزمایش‌ها و شبیه‌سازی‌های انجام‌شده، این مدل جدید با کسب 49 درصد موفقیت، به طور قابل توجهی از روش‌های سنتی (33 درصد) پیشی گرفت.
این نتیجه نشان می‌دهد که اولویت دادن به «حس موقعیت‌یابی»، حتی به قیمت انتخاب مسیرهای طولانی‌تر، می‌تواند ناوبری ربات‌ها را در دنیای واقعی بسیار قابل‌اعتمادتر کند.
این دستاورد یک قدم مهم به سوی ساخت ربات‌های کاملاً خودکار است که می‌توانند بدون نیاز به نقشه‌های از پیش تعیین‌شده یا نظارت مداوم انسان، در محیط‌های پیچیده حرکت کنند. این روش می‌تواند کاربردهای گسترده‌ای در ربات‌های خدماتی در بیمارستان‌ها، خانه‌ها و سیستم‌های خودکارسازی در انبارها داشته باشد.
