ربات چیست؟ قسمت 6

ریشه شناسی ربات (اتیمولوژی)

واژه ربات برای اولین بار توسط کارل چاپک نویسنده اهل جمهوری چک و در نمایشنامه کارخانه ربات‌سازی روسوم در سال 1920 مورداستفاده قرار گرفت. این نمایشنامه در یک کارخانه شروع می شود که در آن از یک ماده شیمیایی به‌جای پروتوپلاسم(بخش زنده سلول) استفاده می شود تا بتوان انس آن‌هایی زنده ولی ساده را تولید کرد که به آن‌ها ربات گفته می شود. این نمایشنامه بر روی جزئیات تکنولوژیکی ساخت این موجودات زنده تمرکز نمی کند اما ظاهر این موجودات، دربردارنده ایده های اولیه ربات‌های انسان‌نما ( اندروید) می باشد. این ربات‌های کارگر که به طور انبوه تولید شده‌اند، به‌صورت بسیار پربازده ولی بدون احساس، ناتوان از فکر کردن به‌صورت ابتکاری و بی تفاوت نسبت به حفظ جان خود به تصویر کشیده شده‌اند.

یکی از مشکلات مطرح‌شده در این نمایشنامه این است که آیا ربات‌ها مورد بهره کِشی قرار می‌گیرند یا نه و در ادامه تبعات وابستگی شدید انسان به نیروی کار مصنوعی نمایش داده می شود( به‌خصوص بعد از این‌که تعدادی از ربات‌های ساخته‌شده با روشی خاص، به خودآگاهی می رسند و ربات‌های سرتاسر دنیا را به شورش علیه انسان‌ها تحریک می کنند).

کارل چاپک خودش این واژه را اختراع نکرد. او نامه ای کوتاه به بخش ریشه شناسی فرهنگ لغت انگلیسی آکسفورد نوشت و در آن برادرش جوزف چاپک را که یک نویسنده و نقاش بود به‌عنوان خالق اولیه کلمه ربات معرفی کرد.

چاپک در مقاله ای که در مجله Lidové noviny (متعلق به جمهوری چک) منتشر شد توضیح داد که در ابتدا قصد داشت این موجودات را laboři( کارگر به زبان لاتین) نام‌گذاری کند اما از این کلمه خوشش نمی آمد، بنابراین از برادرش مشورت گرفت. جوزف نیز به او کلمه ی roboti را پیشنهاد کرد.

Robota در زبان چک، از نظر ادبی به معنای بیگاری و کار اجباری و همچنین به‌صورت تلویحی به معنای کار سخت و دشوار است و همچنین در بسیاری از زبان‌های اسلاوی( مانند بلغاری،روسی، صربی، لهستانی، مقدونیه ای،اوکراینی و مجارستانی)، این واژه به معنای عمومی کار و نیروی کار است.

به طور سنتی، Robota مدت زمانی بود که یک کارگر باید به‌صورت اجباری در اختیار اربابش قرار می گرفت. این مدت به طور معمول 6 ماه از سال در نظر گرفته می‌شد. ریشه این کلمه در زبان اسلاوی کلیسایی باستان است که در آن rabota به معنی بندگی و خدمت اجباری است که البته خود این واژه نیز از ریشه *orbh- متعلق به زبان پوروا هندواروپایی گرفته شده است. واژه ربات با ریشه آلمانی Arbeit( به معنی کار) هم ریشه تلقی می شود.

واژه رباتیک به که برای توصیف علم بررسی ربات‌ها استفاده می شود، اولین بار توسط ایزاک آسیموف، نویسنده داستان‌های علمی-تخیلی استفاده شد. آسیموف، زمینه ای به نام “سه قانون اصلی رباتیک” را ساخت که در داستان‌های مختلف او مورداستفاده قرار گرفته است.

این قوانین در داستان‌های تخیلی دیگر که توسط نویسنده های مختلفی نوشته شده نیز مورداستفاده قرار گرفته اند ( سه قانون مطرح‌شده توسط آسیموف کاملا تخیلی هستند و هیچ فناوری که تاکنون ساخته‌شده باشد توانایی درک یا پیروی از آن‌ها را ندارد. درحقیقت، بسیاری از ربات‌ها برای کاربردهای نظامی ساخته می‌شوند که کاملا بر خلاف آنچه در قانون اول آسیموف گفته شده، است و در برخی موارد، قانون سوم او را نیز نقض می کند).

پروفسور Joanna Bryson از دانشگاه University of Bath در این باره می گوید: “مردم اغلب در مورد قانون های آسیموف فکر می کنند؛ اما این قوانین برای این طراحی شده بودند تا نشان دهند یک سیستم اخلاقی ساده هرگز موثر نخواهد بود؛ اگر داستان‌های کوتاه آسیموف را بخوانید خواهید دید که در تمامی آن‌ها، عدم پیروی ربات‌ها از قوانین آسیموف منجر به اتفاقات اصلی داستان می شود. پس می‌توان گفت این قوانین کاملا غیر کاربردی هستند”.

انواع ربات‌های مدرن

ربات‌های متحرک

ربات‌های متحرک می‌توانند در محیط اطرافشان حرکت کنند و به یک موقعیت مکانی مشخص محدود نیستند. به‌عنوان مثالی از یک ربات متحرک می‌توان به ارابه یا ربات های حمل و نقل خود راهنما (AGVs) اشاره کرد. AGV یک ربات متحرک به شمار می‌رود که علامت ها و یا سیم های بر روی کف زمین را دنبال می کند و یا با کمک دید خود و یا استفاده از لیرزها، از نقطه ای به نقطه دیگر جابجا می شود. AGV ها در ادامه مطلب به طور گسترده تری مورد بررسی قرار می‌گیرند.

نمونه ای از ربات های متحرک مشهور به ارابه یا ربات های حمل و نقل خود راهنما – AVGs

ربات‌های متحرک در محیط های صنعتی، نظامی و امنیتی مورداستفاده قرار می‌گیرند. همچنین در بعضی موارد از این ربات‌ها به‌عنوان کالای مصرفی و به منظور سرگرمی یا انجام دادن کارهایی مشخص مانند جارو کردن خانه نیز استفاده می شود. ربات‌های متحرک موضوع اصلی بسیاری از تحقیقاتی هستند که در حال حاضر در زمینه رباتیک در حال انجام است و تقریباً هر دانشگاه بزرگی، یک یا دو آزمایشگاه را به تحقیق بر روی ربات‌های متحرک اختصاص داده است.

ربات‌های متحرک اغلب در محیط هایی که کنترل دقیقی بر روی آن‌ها صورت می‌گیرد، مثلا در خطوط مونتاژ، مورداستفاده قرار می‌گیرند زیرا این ربات‌ها در واکنش نشان دادن به دخالت های غیر منتظره مشکل خواهند داشت. به همین دلیل نیز انسان‌ها به ندرت با این گونه ربات‌ها روبرو می‌شوند. با این وجود، ربات‌های خانگی که برای تمیز کردن و نگهداری منزل به کار می روند در بسیاری از کشور های توسعه یافته متداول هستند. از ربات‌های متحرک در کاربردهای نظامی نیز استفاده می شود.

ربات‌های صنعتی

ربات‌های صنعتی اغلب از یک بازوی مفصل دار( بازوی مکانیکی چند قسمتی) و بخش انتهایی آن که به یک سطح ثابت متصل می شود، تشکیل شده‌اند. یکی از متداول ترین انواع بخش انتهایی، گیره ها هستند.

سازمان بین المللی استانداردسازی تعریف ربات صنعتی(بازوی مکانیکی) را در استاندارد ISO 8373 به شرح زیر تعریف کرده است:

“یک بازوی مکانیکی با کنترل خودکار، قابل برنامه ریزی و چندکاره که می‌توان آن را در سه محور مختلف(یا بیشتر) برنامه ریزی کرد. این ربات می‌تواند به‌صورت ثابت در محل و یا متحرک، در کاربردهای اتوماسیون صنعتی مورداستفاده قرار بگیرد.”

این تعریف توسط فدراسیون بین المللی رباتیک، شبکه تحقیقات رباتیک اروپا (Euron) و بسیاری از کمیته های استاندارد کشور های مختلف مورد قبول واقع شده است.

ربات‌های خدماتی

بیشتر ربات‌های صنعتی و بازو های مکانیکی به‌صورت ثابت هستند و به منظور تولید و توزیع کالا ها مورداستفاده قرار می‌گیرند. اما واژه “ربات‌های خدماتی” به خوبی ربات‌های صنعتی تعریف نشده است. فدراسیون بین المللی رباتیک، تعریف اولیه ای را برای این گونه ربات‌های مشخص کرده است:” یک ربات خدماتی، رباتی است که برای ارائه خدماتی که رفاه انسان‌ها و تجهیزات مفید است، به‌صورت نیمه یا تمام خودگردان عمل می کند. این ربات در فعالیت های تولیدی شرکت نمی کند.”

نمونه ای از یک ربات خدماتی مشهور به TWENDY-ONE

ربات‌های آموزشی

می‌توان از ربات‌ها به‌عنوان وسایل کمک آموزشی برای معلمان استفاده کرد. از دهه 1980، ربات‌هایی به شکل لاک پشت در مدارس مورداستفاده قرار می گرفتند و دانش آموزان با استفاده از زبان برنامه‌نویسی لوگو، آن‌ها را برنامه ریزی می‌کردند.

امروزه کیت های رباتی مانند Lego Mindstorms NXT، BIOLOID، OLLO و یا ربات‌های آموزشی شرکت BotBrain در بازار موجود هستند. این کیت ها به کودکان کمک می کنند تا در مورد ریاضی، فیزیک، برنامه‌نویسی و الکترونیک چیز های مختلفی یاد بگیرند. ربات‌ها حتی از طریق مسابقات رباتیک، وارد زندگی دانش آموزان مقاطع ابتدایی و دبیرستان نیز شده است و هر ساله مسابقات مختلفی در سرتاسر جهان برگزار می شود.

کیت رباتیLego Mindstorms NXT از سری ربات های آموزشی

البته دستگاه‌هایی نیز وجود دارند که به شکل ربات طراحی شده‌اند که به‌عنوان نمونه می‌توان به کامپیوتر معلم به نام Leachim و یا 2-XL که یک اسباب بازی آموزشی به شکل ربات است اشاره کرد. هر دو این وسایل توسط Michael J. Freeman ساخته‌شده‌اند.

ربات‌های ماژولار (تکه ای)

ربات‌های ماژولار، نسل جدیدی از ربات‌ها هستند که قرار است با تکه ای کردن ساختار ربات‌ها، موارد کاربرد آن‌ها را بیشتر کنند. بهبود عملکرد و بازده ربات‌های ماژولار نسبت به ربات‌های معمولی آسان تر است. این ربات‌ها از یک نوع ماژول (تکه) مشابه یا چند نوع ماژول مختلف و یا ماژول های شبیه به هم که اندازه آن‌ها با هم متفاوت است، ساخته می‌شوند. ساختار این ربات‌ها باعث می شود تا امکان تغییر شکل های زیادی داشته باشند. در واقع می‌توان ربات‌های ماژولار را با بیش از 8 درجه آزادی نیز طراحی کرد. با این وجود، برنامه‌نویسی و سینماتیک و دینامیک معکوس برای این دسته از ربات‌ها نسبت به ربات‌های معمولی پیچیده تر است.

ربات‌های ماژولار ممکن است از ماژول های L شکل، ماژول های مکعبی، ماژول های H شکل و ماژول های U شکل تشکیل شوند. فناوری ANAT که اولین فناوری مخصوص برای ساخت ربات‌های ماژولار است و توسط شرکت Robotics Design طراحی شده، امکان ساخت ربات‌های ماژولار با ماژول های H و U شکل را فراهم می کند به طوری که این ماژول ها در زنجیره هایی به یکدیگر متصل هستند. از چنین سیستمی برای ساخت ربات‌های ماژولار با شکل های همگن و یا غیرهمگن استفاده می شود.

نمونه ای از ربات ماژولار

ربات‌های ساخته‌شده با فناوری ANAT را می‌توان با n درجه آزادی در نظر گرفت زیرا در این سیستم هر ماژول، یک سیستم رباتیک متحرک کامل است که به راحتی در برابر حرکت ماژول های قبل و بعد از خود در زنجیره، حرکت می کند و جابجا می شود. در نتیجه هر یک ماژول، امکان داشتن یک درجه آزادی را فراهم می کند. بنابراین، هرچقدر ماژول هایی بیشتری به یکدیگر متصل باشند، مجموعه آن‌ها درجه آزادی بیشتری خواهد داشت. ماژول های L شکل را نیز می‌توان به‌صورت زنجیره ای در آورد، البته با افزایش اندازه زنجیره، اندازه ماژول ها باید به ناچار کمتر شود زیرا در غیر این صورت، با اضافه شدن باری که به دو انتهای زنجیره وارد می شود، کرنش وارد بر ماژول هایی که در وسط زنجیره هستند افزایش می یابد.

ربات‌های ANAT با ماژول های H شکل از این مشکل رنج نمی‌برند زیرا طراحی آن‌ها به‌گونه‌ای است که به ربات اجازه می دهد تا فشار و ضربه‌ی وارده را به طور یکنواخت در سرتاسر ماژول ها پخش کند و در نتیجه با افزایش طول ربات، ظرفیت باربری آن کاهش نمی یابد. ربات‌های ماژولار را می‌توان به‌صورت دستی و یا خودکار مجددا تغییر شکل داد تا به رباتی دیگر تبدیل شود. در این فرآیند حتی ممکن است کاربرد ربات نیز عوض شود. به دلیل این‌که ربات‌های ماژولار با ساختار مشابه، از ماژول هایی تشکیل شده‌اند که برای ربات‌های مختلف استفاده می‌شوند، می‌توان یک ربات ماژولار به شکل مار را با رباتی مشابه ترکیب کرد تا یک ربات چند بازویی به دست آورد، یا حتی می‌توان آن را به ربات‌های کوچک تری تقسیم کرد که هر کدامشان باز هم می‌توانند به ربات‌های کوچکتری تقسیم شوند. این قابلیت به یک ربات ماژولار اجازه می دهد در یک وظیفه مشخص، به‌صورت کاملا تخصصی عمل کند یا توانایی انجام چند وظیفه مختلف را به طور همزمان داشته باشد.

فنّاوری ربات‌های ماژولار امروزه در حمل و نقل هیبریدی، اتوماسیون صنعتی، نظافت و تعمیر کانال های تهویه هوا مورداستفاده قرار می‌گیرد. بسیاری از مراکز تحقیقاتی و دانشگاه ها نیز بر روی این فنّاوری تحقیق کرده‌اند و حتی توانسته اند نمونه های اولیه موفقی را نیز بسازند.

ربات‌های مشارکتی

ربات‌های مشارکتی یا همکار که به آن‌ها کوبات نیز گفته می شود، ربات‌هایی هستند که می‌توانند در حین انجام مسئولیت‌های صنعتی ساده، به‌صورت ایمن و موثر با کارگران تعامل داشته باشند. با این وجود بازوهای ربات و سایر شرایط محیطی در کارگاه ممکن است باعث ایجاد حوادثی شوند؛ در نتیجه لازم است تا قبل از از هرگونه استفاده واقعی، تحلیل خطرات احتمالی انجام شود.

ربات‌های مشارکتی که امروزه در صنعت مورداستفاده قرار می‌گیرند عمدتاً ساخت شرکت Universal Robots در کشور دانمارک هستند.

شرکت Rethink Robotics که توسط Rodney Brooks تاسیس شده، در سپتامبر سال 2012 رباتی به نام Baxter را معرفی کرد. این ربات، یک ربات صنعتی است که به‌گونه‌ای طراحی شده تا بتواند با سایر کارگران در محیط کارگاه، به طور ایمن تعامل داشته باشد و بتوان آن را برای انجام کار های ساده برنامه ریزی کرد.

ربات‌های Baxter در صورتی که انسانی در مسیر بازو های رباتیک آن‌ها قرار داشته باشد متوقف می‌شوند و همچنین کلید های مخصوص خاموش کردن ربات نیز به‌صورت برجسته بر روی بدنه آن‌ها نصب شده است. این ربات‌ها که با هدف فروش به کسب و کار های کوچک ساخته‌شده‌اند، به‌عنوان معادل رباتیک یک کامپیوتر شخصی تلقی می‌شوند. تا ماه مِی 2014، 190 شرکت در ایالات‌متحده ربات‌های Baxter را خریداری کرده‌اند و این ربات‌ها در بریتانیا نیز به‌صورت تجاری مورداستفاده قرار می‌گیرند.

ربات‌ها در جامعه

تقریباً نصف ربات‌های جهان در قاره آسیا، 32 درصد در اروپا، 16 درصد در آمریکای شمالی، 1 درصد در استرالیا و 1 درصد نیز در آفریقا هستند. 40 درصد تمام ربات‌های جهان در کشور ژاپن هستند که این کشور را به بزرگترین کشور از نظر تعداد ربات‌ها تبدیل می کند.

استقلال ربات‌ها و سوالات اخلاقی مطرح‌شده

با پیشرفته تر شدن ربات‌ها، این سوال که چه قوانین اخلاقی می‌تواند رفتار آن‌ها کنترل کند توسط متخصصان و دانشگاهیان متعددی بررسی شده است. سوال دیگری که در این زمینه مطرح است این است که آیا ربات‌ها می‌توانند داشتن هر نوع حق اجتماعی، فرهنگی، اخلاقی یا حقوقی را ادعا کنند یا خیر. یک تیم از دانشمندان اعلام کرده که ممکن است تا سال 2019، مغز رباتیک ساخته شود. عده ای دیگر پیش بینی می کنند هوش رباتیک تا سال 2050 به طرز چشمگیری گسترش خواهد یافت. پیشرفت های اخیر، رفتار ربات‌ها را بسیار پیچیده تر از قبل کرده است. تاثیر اجتماعی ربات‌های هوشمند موضوع مستندی به نام Plug & Pray محصول سال 2010 میلادی است. Vernor Vinge

(متخصص و رمان نویس آمریکایی) اعلام کرده ممکن است زمانی برسد که کامپیوتر ها و ربات‌ها از انسان باهوش تر شوند. او این پدیده را تکینگی فناوری نامیده است. او همچنین معتقد است این پدیده می‌تواند برای انسان‌ها تا حدودی یا حتی به مقدار زیادی خطرناک باشد. عواقب احتمالی و راهکار مناسب برای این پدیده در مکتبی که به نام سینگولاریتاریانیسم (Singularitarianism) شناخته می شود، مورد بحث و بررسی قرار می‌گیرد.

در سال 2009، متخصصان در کنفرانسی به میزبانی انجمن پیشبرد هوش مصنوعی (AAAI) شرکت کردند و در مورد این‌که آیا ممکن است ربات‌ها بتوانند هرگونه استقلالی به دست بیاورند و در صورت استقلال آن‌ها، این امر چقدر می‌تواند برای انسان‌ها تهدید یا خطر به شمار رود، بحث و گفتگو کردند. آن‌ها به این مطلب اشاره کردند که برخی از ربات‌ها توانسته اند به شکل های مختلفی از نیمه استقلال برسند. برای مثال بعضی از ربات‌ها می‌توانند خودشان منبع انرژی را پیدا کنند و یا به طور کاملا مستقل، از بین دشمنان، اهدافی را انتخاب کرده و با استفاده از سلاح هایشان به آن‌ها حمله کنند. آن‌ها همچنین به این مطلب اشاره کردند که برخی از ویروس های کامپیوتری می‌توانند در مقابل پاک سازی مقاومت کنند و به درجه “هوش سوسک ها” رسیده اند. البته دستیابی ربات خودآگاهی کامل، یعنی مشابه آنچه در بسیاری از کتاب ها و فیلم های علمی-تخیلی دیده می شود، محتمل نیست، اما خطرات و مشکلات احتمالی دیگری وجود دارد. منابع رسانه ای و گروه های علمی مختلفی به روند تغییرات مشابهی در بخش های مختلف رباتیک اشاره کرده‌اند که در کنار هم ممکن است منجر به افزایش کاربردهای ربات‌ها و خودگردانی و استقلال آن‌ها شود که طبیعتا نگرانی‌هایی را نیز در بر خواهد داشت. در سال 2015، نشان داده شد که ربات‌های Nao alderen توانایی داشتن درجه ای از خودآگاهی را نیز دارند. محققین آزمایشگاه هوش مصنوعی و منطق موسسه پلی تکنیک Rensselaer در نیویورک، آزمایشی را انجام دادند که در آن ربات به خودآگاهی رسید؛ و وقتی این اتفاق افتاد ربات جواب قبلی خود به یک سوال مشخص را اصلاح کرد.

ربات‌های نظامی

بعضی از متخصصان و اعضای جامعه دانشگاهی، استفاده از ربات‌ها برای نبرد نظامی، به‌خصوص زمانی که دارای قابلیت‌های خودگردانی و استقلال نسبی باشند را زیرسوال برده اند. همچنین نگرانی‌هایی نیز در مورد فناوری که امکان کنترل ربات‌های مسلح را توسط ربات‌های دیگر فراهم می کند وجود دارد. نیروی دریایی ایالات‌متحده، با بودجه خود گزارشی را تهیه کرده که می گوید با پیچیده تر شدن و پیشرفت ربات‌های نظامی، باید به پیامد های تصمیم گیری آن‌ها به‌صورت مستقل، توجه بیشتری شود. یکی از محققان اعلام کرده که ربات‌های خودگردان می‌توانند رفتار انسانی تری داشته باشند زیرا می‌توانند به طور موثری تصمیم گیری کنند اما سایر متخصصان این مطلب را قبول ندارند.

در سال 2012، ربات چهارپای نظامی Cheetah که نسخه تکامل یافته BigDog می باشد با شکستن رکورد ربات دوپایی MIT که مربوط به سال 1989 بود به‌عنوان سریع ترین ربات دنیا شناخته شد.

رباتی که نگرانی های عمومی زیادی را در این زمینه ایجاد کرده است EATR نام دارد. این ربات می‌تواند سوخت مورد نیاز خود را به طور پیوسته و با استفاده از مواد آلی تامین کند. موتور EATR به‌گونه‌ای طراحی شده تا با استفاده از بیومَس و پوشش گیاهی که به طور مشخص توسط سنسورهایش انتخاب می شود کار کند. ربات می‌تواند این مواد را در میدان جنگ و یا در محل های دیگر پیدا کند. البته مسئولین پروژه اعلام کرده‌اند که این ربات می‌تواند از چربی مرغ نیز به‌عنوان سوخت استفاده کند.

Manuel De Landa، نویسنده و فیلسوف آمریکایی معتقد است موشک های هوشمند و بمب های خودگردان که به درک مصنوعی مجهز هستند نیز می‌توانند به‌عنوان ربات تلقی شوند زیرا می‌توانند به در بعضی موارد به‌صورت مستقل تصمیم بگیرند. او معتقد است این کار، روندی مهم و بسیار خطرناک است که در آن انسان‌ها، مسئولیت اتخاذ تصمیم های مهم را به ماشین‌ها واگذار می کنند.

ربات چیست؟ قسمت 1
ربات چیست؟ قسمت 2
ربات چیست؟ قسمت 3
ربات چیست؟ قسمت 4
ربات چیست؟ قسمت 5
ربات چیست؟ قسمت 6
ربات چیست؟ قسمت 7
ربات چیست؟ قسمت 8

اکتبر 19, 2019/0 دیدگاه /توسط daliri

ربات چیست؟ قسمت 5

آموزش های عمومی هوش مصنوعی

سیستم‌های کنترل از راه دور

وسایلی که با کنترل از راه دور کار می‌کردند در اواخر قرن نوزدهم و به شکل چند اژدر کنترل از راه دور ظاهر شدند. در اوایل دهه 1870 میلادی، اژدر های کنترل از راه دور توسط جان اریکسن( به‌صورت پنوماتیک)، جان لوییس لِی (هدایت به‌صورت الکتریکی و با کمک سیم) و ویکتور وُن شلیها( هدایت به‌صورت الکترونیکی و با کمک سیم) ساخته شدند.

اژدر بِرِنان که توسط Louis Brennan در سال 1877 اختراع شد، نیرو محرکه خود را از دو پروانه که در جهت عکس یکدیگر می چرخیدند به دست می آورد. این دو پروانه با بیرون آوردن سریع سیم های فولادی از طبلک هایی که در داخل اژدر قرار گرفته بودند، به چرخش در می آمدند. اختلاف سرعت در در آزاد کردن سیم ها، به ایستگاه ساحلی اجازه می داد تا اژدر را به سمت هدفش هدایت کند. این اژدر اولین موشک قابل هدایت کاربردی در دنیا بود. در سال 1897، مخترع بریتانیایی Ernest Wilson، گواهی ثبت اختراع، برای ساخت یک اژدر که توسط امواج هرتیزان(رادیویی) کنترل می‌شد را به نام خود ثبت کرد و در سال 1898، Nikola Tesla یک اژدر کنترل از راه دور بی‌سیم را به‌صورت عمومی در معرض نمایش گذاشت زیرا قصد داشت آن را به نیروی دریایی ایالات‌متحده بفروشد.

Archibald Low، به دلیل تحقیقات نوآورانه اش بر روی موشک ها و هواپیما های هدایت پذیر در جریان جنگ جهانی اول به‌عنوان “پدر سیستم‌های هدایت رادیویی” شناخته می شود. در سال 1917، او یک هواپیمای کنترل از راه دور را برای یگان پروازی سلطنتی بریتانیا به نمایش گذاشت و در همان سال، اولین موشک هدایت شونده با سیم را ساخت.

ریشه واژه “ربات”

واژه “ربات” اولین بار برای یک ماشین انسان‌نمای خودکار در نمایشنامه کارخانه ربات‌سازی روسوم که توسط کارل چاپک نویسنده اهل جمهوری چک در سال 1920 نوشته شده به کار رفت. اما کارل، برادرش جوزف چاپک را به‌عنوان مخترع اصلی واژه ربات می شناسد. خود کلمه “ربات”، کلمه ای جدید نبود و در زبان اسلاوی، به‌صورت robota(کارگر اجباری) وجود داشت. منظور از این واژه آن دسته از روستاییان و کشاورزانی بودند که تحت نظام فئودالی حاکم بر اروپای قرن نوزدهم، مجبور به کار اجباری برای فئودال ها بودند. در داستان تخیلی چاپک، انسان‌های مصنوعی و بدون روح، با کمک فنّاوری های جدیدی خلق می‌شدند. چاپک به خوبی این ماشین‌ها را در همان زمینه قدیمی طبقه اجتماعی robota های دوران فئودالیسم قرار داد به طوری که واژه ربات در نمایشنامه او به دسته جدیدی از کارگر های مصنوعی و ساخته دست بشر اشاره داشت.

صحنه ای از نمایش نامه کارخانه ربات سازی روسوم نوشته شده توسط کارل چاپک که در آن سه ربات مشخص هستند

ربات‌های اولیه

در سال 1928، یکی از اولین ربات‌های انسان‌نما به نام اریک، در نمایشگاه سالانه انجمن MES به نمایش گذاشته شد. او در این گردهمایی سخنرانی کرد. این ربات که توسط W. H. Richards ساخته‌شده بود دارای بدنه آلومینیومی، 11 آهنربای الکتریکی و یک موتور حرکتی بود که توان آن توسط منبع تغذیه 12 ولتی تامین می‌شد. این ربات می‌توانست دست ها و سرش را تکان دهد و از طریق کنترل از راه دور و یا کنترل صوتی هدایت می‌شد. اریک و ربات بردارش یعنی جرج، برای نمایش قابلیت‌هایشان، به دور دنیا سفر کردند.

ربات اریک – سال 1928 میلادی

در سال 1926، شرکت Westinghouse، ربات Televox را معرفی کرد. این ربات از جنس مقوا ساخته‌شده بود و به چند دستگاه برقی دیگر متصل بود و کاربر می‌توانست با استفاده از این ربات، آن‌ها را خاموش یا روشن کند.

در سال 1939، ربات انسان‌نمای Elektro، در نمایشگاه جهانی نیویورک رونمایی شد. این ربات قدی معادل 2 متر و 10 سانتی‌متر و وزنی معادل 120 کیلوگرم داشت و می‌توانست از طریق فرم آن‌های صوتی حرکت کند، حدود 700 کلمه صحبت کند(با استفاده از یک گرامافون با سرعت 78 دوران در دقیقه)، سیگار بکشد، بادکنک ها را بترکاند و سر و دستانش را تکان دهد. بدنه این ربات از چرخنده های فولادی و چارچوبی برای نصب موتور دستگاه ساخته‌شده بود و روی آن پوشش آلومینیومی کشیده شده بود. در سال 1928، اولین ربات ساخت کشور ژاپن به نام Gakutensoku توسط ماکوتو نیشیمورا (زیست شناس) طراحی و ساخته شد.

ربات‌های جدید خودگردان یا خودمختار (autonomous robots)

اولین ربات‌های الکترونیکی خودگردان با رفتار پیچیده توسط William Grey Walter در موسسه عصبی Burden در شهر بریستول انگلستان و در سال های 1948 و 1949 ساخته شدند. او می خواست ثابت کند ارتباطات زیاد بین تعداد محدودی از سلول های مغز می‌تواند باعث نمود رفتار های بسیار پیچیده ای شود. در واقع او معتقد بود راز نحوه کار کردن مغز در در نحوه اتصال اجزای آن نهفته است. اولین ربات‌های ساخت او، به نام Elmer و Elsie بین سال های 1948 و 1949 ساخته شدند و اغلب به دلیل شکل و سرعت پایین حرکتشان به آن‌ها لاک پشت گفته می‌شد. این ربات‌های لاک پشتی سه چرخه، از قابلیت فتوتاکسیس( ردیابی مسیر نور تابانده شده) بهره می بردند و با کمک این قابلیت می‌توانستند در صورت کم شدن باتری، مسیر خود را به ایستگاه شارژ مجدد پیدا کنند.

Walter بر استفاده از الکترونیک آنالوگ برای شبیه‌سازی فرآیند های مغزی تاکید داشت در حالی که افراد هم عصر او مانند Alan Turing و John von Neumann به فرآیند های ذهنی به‌صورت دیجیتال نگاه می‌کردند. کار های او الهام بخش بسیاری از محققین رباتیک نسل های آینده مانند Rodney Brooks ، Hans Moravec و Mark Tilden بود. تجسم های جدیدی از ربات‌های Walter را می‌توان در شاخه‌ای از رباتیک به نام رباتیک BEAM( زیست‌شناسی، الکترونیک، زیبایی شناسی و مکانیک) مشاهده کرد.

اولین رباتی که به‌صورت دیجیتالی عمل می کرد و قابل برنامه ریزی بود توسط George Devol در سال 1954 ساخته شد و در نهایت Unimate نام گرفت. این ربات، زمینه را برای صنعت رباتیک مدرن فراهم کرد. Devol اولین Unimate را در سال 1960 به شرکت جنرال موتورز فروخت. این ربات در سال 1961 در یکی از کارخانه های این شرکت در نیوجرزی آمریکا نصب شد تا قطعات داغ فلز را از یک دستگاه ریخته‌گری بلندکرده و آن‌ها را در جایی انبار کند. گواهی ثبت اختراع Devol برای اولین بازوی رباتیک قابل برنامه ریزی و تمام دیجیتال، به‌عنوان پایه و اساس صنعت رباتیک مدرن شناخته می شود.

اولین ربات palletizer(ربات برداشت مواد و قرار دادن آن‌ها در جایی دیگر) در سال 1963 و توسط شرکت Fuji Yusoki Kogyo ساخته شد. در سال 1973، رباتی با شش محور الکترومکانیکی توسط شرکت رباتیک KUKA در آلمان ثبت شد. باز رباتیک مفصلی(PUMA) توسط Victor Scheinman در سال 1976 ساخته شد و طرح آن به شرکت Unimation فروخته شد.

کاربرد ربات‌های صنعتی و تجاری امروزه به شدت افزایش پیدا کرده و این ربات‌ها، وظایفشان را ارزان تر و یا با دقت و اطمینان پذیری بیشتری نسبت به انسان‌ها انجام می‌دهند. از ربات‌ها همچنین برای انجام کارهایی استفاده می شود که انجام دادن آن‌ها برای انسان‌ها، بسیار سخت یا خطرناک یا کسل کننده است. ربات‌ها، کاربردهای فراوانی در تولید، مونتاژ، بسته بندی، حمل و نقل، اکتشافات زمینی و فضایی، جراحی های پزشکی، سلاح های نظامی، تحقیقات آزمایشگاهی و تولید انبوه کالاهای مصرفی و صنعتی دارند.

آینده رباتیک

روش‌های مختلفی برای توسعه علم رباتیک و ربات‌ها به وجود آمده است. یکی از این روش ها رباتیک تکاملی نام دارد که در آن تعدادی از ربات‌های مختلف تحت آزمایش های متفاوتی قرار می‌گیرند. آن دسته از ربات‌هایی که عملکرد بهتری را در آزمایش های فوق داشته باشند به‌عنوان مدلی برای ساخت نسل بعدی ربات‌ها مورداستفاده قرار می‌گیرند. یکی دیگر از این روش ها، رباتیک توسعه ای نام دارد که تغییرات و پیشرفت های یک ربات را در زمینه های حل مسئله و کاربردهای دیگر مورد بررسی قرار می دهد. اخیرا نوع جدیدی از ربات‌ها معرفی شده که هم به‌عنوان یک گوشی هوشمند و هم به‌عنوان ربات عمل می کند و نام آن RoboHon است.

با پیشرفته تر شدن ربات‌ها، ممکن است در آینده به سیستم عامل استانداردی برای آن‌ها نیاز باشد. “سیستم عامل ربات”(ROS) مجموعه ای از برنامه های کد منبع باز است که در حال حاضر در دانشگاه استنفورد، دانشگاه MIT و دانشگاه فنی مونیخ و البته چند دانشگاه دیگر در حال توسعه است. ROS امکان برنامه‌نویسی سیستم جهت یابی و اعضای بدن ربات را، صرف نظر از نوع سخت افزار به کار رفته در آن، فراهم می کند. همچنین این سیستم عامل دستورات سطح بالایی را نیز برای مواردی چون تشخیص تصویر و یا باز کردن در ها ارائه می کند. وقتی سیستم عامل ROS بر روی کامپیوتر داخلی ربات بوت می شود، داده‌هایی مانند طول و میزان حرکت اعضای مختلف ربات را به دست می آورد. این داده‌ها از طریق سیستم عامل به الگوریتم های سطح بالاتری منتقل می‌شوند. علاوه بر این، مایکروسافت نیز با کمک نرم افزار Robotics Developer Studio که از سال 2007 در دسترس است، در حال توسعه یک سیستم عامل به نام”ویندوز برای ربات‌ها” می باشد.

ژاپن امیدوار است تا سال 2025 بتواند تمامی ربات‌های خدماتی را به‌صورت تمام مقیاس، تجاری سازی کند. بسیاری از تحقیقات در زمینه فناوری در ژاپن توسط موسسات وابسته به دولت، به‌خصوص وزارت بازرگانی این کشور انجام می شود.

بسیاری از کاربردهای ربات‌ها در آینده برای مردم مشخص است. اما این در حالی است که این کاربرد ها در حال حاضر بسیار دور از دسترس توانایی فعلی ربات‌ها هستند. حتی از سال 1982، این اطمینان وجود داشت که روزی ربات‌ها می‌توانند:

قطعات را با جدا کردن ضایعات قالب گیری تمیز کنند.
اتومبیل ها را با اسپری و بدون دخالت انسان رنگ کنند.
چیز های مختلفی را بسته بندی کنند( مثلا بسته های شکلات را به‌صورت کاملا مرتب در جعبه قرار دهند).
کابل های هارنس بسازند.
کامیون ها را با جعبه های محصولات پر کنند.
کالا های نرم مانند پوشاک و کفش را منتقل کنند .
پشم چینی گوسفندان را انجام دهند .
پروتز (اندام های مصنوعی) را تهیه و نصب کنند.
غذا های فست فودی را آماده کنند و یا در سایر صنایع خدماتی کار کنند.
در خانه مشغول به کار شوند (ربات‌های خانگی).
به‌طورکلی می‌توان گفت این پیش بینی ها در بازه زمانی فعلی بیش از حد خوشبینانه است.

کاربردهای جدید و نمونه های اولیه آن‌ها

در سال 2008، شرکت Caterpillar، ایده ساخت دامپ تراکی را که می‌توانست بدون نیاز به راننده، مواد معدنی را از معدن به بیرون منتقل کند، مطرح کرد. بسیاری از تحلیل گران معتقدند کامیون های بدون راننده، در نهایت لجستیک را متحول خواهد کرد و انقلابی عظیم را در صنعت به وجود خواهد آورد.تا پایان سال 2014، Caterpillar توانست این دامپ تراک تمام اتوماتیک را بسازد که انتظار می‌رود فرآیند معدن کاری را به طور چشمگیری متحول کند. در سال 2015، این کامیون های ساخت Caterpillar توسط شرکت معدنیRio Tinto Coal Australia ، به طور کامل در عملیات معدن کاری در استرالیا مورداستفاده قرار گرفتند. برخی تحلیل گران معتقدند در چند دهه آینده، بسیاری از کامیون ها کاملا خودکار خواهند بود.

یک ربات باسواد ( رباتی که توانایی خواندن دارد) به نام Marge، از طریق هوش مصنوعی خود می‌تواند روزنامه بخواند، کلماتی را که از نظر املایی مشکل دارند پیدا کرده و تصحیح کند، در مورد بانک های مختلف مثلا بانک Barclays یاد بگیرد و متوجه شود که برای غذا خوردن، برخی رستوران‌ها مناسب تر از بقیه هستند.

Baxter یک ربات جدید است که در سال 2012 معرفی شد. این ربات می‌تواند با هدایت دیگران، چیز های جدیدی یاد بگیرد. برای مثال یک کارگر می‌تواند به Baxter یاد دهد که یک کار را چگونه انجام دهد. برای این کار او دست هایش را به شکل مورد نظر حرکت می دهد و Baxter حرکات دست او را به خاطر می سپارد. برای تنظیم میزان دقت و ویژگی های مختلف دیگر، دکمه ها و کنترل های بیشتری بر روی دستBaxter وجود دارد. هر کارگر ساده ای می‌تواند Baxter را برنامه ریزی کند و این کار تنها چند دقیقه زمان می برد. کاری که برای سایر ربات‌های صنعتی، به میزان زیادی برنامه‌نویسی و کد نوشتن نیاز دارد تا بتوان از آن استفاده کرد. در واقع می‌توان گفت Baxter برای عمل کردن به برنامه‌نویسی احتیاج ندارد. به هیچ مهندس نرم افزاری نیاز ندارد. همچنین می‌توان به Baxter آموزش داد تا بتواند کار های پیچیده تر و یا چند کار را به‌صورت همزمان انجام دهد. در سال 2015، ربات دیگری به نام Sawyer برای انجام کارهای کوچک تر و دقیق تر ساخته شد.

Baxter یک ربات جدید است که در سال 2012 معرفی شد.

اکتبر 19, 2019/0 دیدگاه /توسط daliri

ربات چیست؟ قسمت 4

آموزش های عمومی هوش مصنوعی

ربات چیست؟ چه کاربردی دارد؟ و چه تاثیراتی بر زندگی انسان خواهد داشت؟

ربات یک ماشین است (به‌خصوص ماشینی که توسط کامپیوتر قابل برنامه‌نویسی باشد ) که می‌تواند مجموعه کارهای پیچیده‌ای را به‌صورت خودکار انجام دهد.

ربات‌ها ممکن است توسط یک دستگاه کنترل خارجی، کنترل شوند یا این‌که دستگاه کنترلی در داخل آن‌ها قرار بگیرد. ربات‌ها ممکن است به‌گونه‌ای ساخته شوند که ظاهری شبیه به انسان داشته باشند اما بیشتر ربات‌ها، ماشین‌هایی هستند که برای انجام کاری ساخته می‌شوند و ظاهر آن‌ها اهمیتی ندارد.

ربات‌ها ممکن است خودگردان یا نیمه خودگردان باشند و انواع مختلفی از قبیل ربات‌های انسان‌نما، مانند ربات ASIMO شرکت هوندا و ربات پینگ‌پونگ‌باز شرکت TOSY، ربات‌های صنعتی، ربات‌های جراحی پزشکی، ربات‌های کمک به بیماران، ربات‌های سگ درمانی، ربات‌های کوچک که از هوش جمعی بهره می‌برند، پهباد هایی مانند هواپیمای بدون سرنشین MQ-1 Predator که توسط نیروی هوایی ایالات‌متحده مورداستفاده قرار می‌گیرد و حتی ربات‌های میکروسکوپی(نانو ربات‌ها) را شامل می‌شوند. ربات‌ها ممکن است با تقلید از ظاهر موجودات زنده و یا شبیه‌سازی حرکات آن‌ها، حس هوشمند بودن و یا توانایی فکر کردن را به انسان القا کنند. انتظار می‌رود تا در دهه آتی، اشیا خودگردان گسترش چشمگیری پیدا کنند. از ارکان اصلی این گسترش می‌توان به ربات‌های خانگی و اتومبیل‌های خودگردان اشاره کرد.

ربات ASIMO در نمایشگاه Expo 2005 ؛ یک ربات انسان‌نمای دو پا

رباتیک

شاخه‌ای از فنّاوری که با طراحی، ساخت، اجرا و کاربرد ربات‌ها به همراه سیستم‌های کامپیوتری لازم برای کنترل ، دریافت پاسخ سنسورها و پردازش اطلاعات آن‌ها سر و کار دارد رباتیک نام دارد. این فنّاوری ها با ماشین‌های خودکاری سر و کار دارند که می‌توانند جای انسان را در محیط های خطرناک و یا در فرآیند های تولید بگیرند یا می‌توانند از نظر ظاهر، رفتار و یا فرآیند های یادگیری و درک شبیه انسان عمل کنند. امروزه بسیاری از ربات‌ها از طبیعت الهام گرفته‌شده‌اند و شاخه‌ای به نام رباتیک الهام گرفته از طبیعت را ایجاد کرده‌اند. این ربات‌ها همچنین شاخه جدیدتری به نام رباتیک نرم را نیز پدید آورده‌اند.

از زمان تمدن‌های باستانی، موارد بسیاری از دستگاه‌های خودکار که توسط انسان قابل تنظیم بودند و یا حتی ماشین‌های خودکاری که شبیه انسان و یا حیوانات بودند و عمدتاً به‌عنوان سرگرمی به کار می‌رفتند ثبت‌شده است. با پیشرفت روش‌های مکانیکی در عصر انقلاب صنعتی، کاربردهای مفیدتری مانند ماشین‌های خودکار یا ماشین‌های کنترل از راه دور و کنترل از راه دور بی‌سیم، اختراع شدند.

کلمه “ربات” اولین بار در نمایشنامه کارخانه ربات‌سازی روسوم که توسط کارل چاپک نویسنده اهل جمهوری چک نوشته شده به کار رفت. در این نمایشنامه کلمه ربات به یک موجود خیالی شبیه به انسان اطلاق می‌شد. بنابراین چاپک، خالق حقیقی واژه ربات است. با ظهور اولین ربات‌های الکترونیکی خودگردان که در سال 1948 توسط William Grey Walter در شهر Bristol انگلستان ساخته شد و همچنین ماشین‌های کنترل عددی کامپیوتری(CNC) در اواخر دهه 1940 میلادی توسط John T. Parsons و Frank L. Stulen، علم الکترونیک به نیروی پیشران توسعه تبدیل شد. اولین ربات تجاری، دیجیتال و قابل برنامه ریزی توسط George Devol در سال 1954 ساخته شد. نام این ربات Unimate بود. این ربات در سال 1961 به شرکت General Motors فروخته شد. در این شرکت از این ربات برای بلند کردن قطعاتی از فلز داغ از دستگاه‌های ریخته‌گری در کارخانه این شرکت در ایالت NewJersey استفاده می‌شد.

ربات‌ها در انجام مسئولیت‌های تکرارشونده و خطرناک که انسان‌ها ترجیح می‌دهند آن‌ها را انجام ندهند، یا به دلیل محدودیت از نظر اندازه نمی‌توانند انجام دهند و یا به دلیل این‌که در محیط های بسیار سخت مانند فضا و یا در کف اقیانوس‌های انجام می‌شوند، جایگزین انسان‌ها شده‌اند.

نگرانی‌هایی در مورداستفاده روزافزون از ربات‌ها و نقش آن‌ها در جامعه نیز وجود دارد. ربات‌ها اغلب به‌عنوان یکی از عوامل افزایش بیکاری شناخته می‌شوند زیرا امروزه آن‌ها در کارهای مختلفی جایگزین کارگران می‌شوند. استفاده از ربات‌ها در کارهای نظامی نیز نگرانی‌هایی اخلاقی را به دنبال داشته است. احتمال خودگردانی کامل ربات‌ها و تبعات منفی بعدی آن در بسیاری از داستان‌های تخیلی مطرح‌شده و ممکن است در آینده به نگرانی جدی تبدیل شود.

خلاصه

واژه ربات می‌تواند هم به ربات‌های واقعی و هم به واسط های مجازی نرم افزاری اشاره کند؛ البته در بیشتر موارد برای مورد دوم از واژه “بات” استفاده می شود. به‌طورکلی، در مورد این‌که چه ماشین‌هایی در دسته ربات‌ها قرار می‌گیرند اجماع جمعی وجود ندارد اما تقریباً تمام متخصصان و همچنین مردم معتقدند که ربات‌ها همه یا برخی از توانایی‌ها و قابلیت‌های زیر را داشته باشند: 1- قبول کردن برنامه‌نویسی الکترونیکی 2-پردازش داده‌ها یا درک‌های فیزیکی به‌صورت الکترونیکی 3- تا حدودی خودگردان عمل کردن 4- جابجا شدن 5- استفاده از اجزا مختلف بدنه خود به‌صورت کاربردی یا استفاده از فرآیند های فیزیکی، توانایی تشخیص و ایجاد تغییر در محیط و توانایی نشان دادن رفتار هوشمندانه؛ به‌خصوص رفتاری که شبیه به رفتار انسان‌ها یا سایر حیوانات باشد. زیست‌شناسی مصنوعی رشته‌ای است که ارتباط نزدیکی با مفهوم ربات دارد. در این رشته به مطالعه گونه‌هایی که طبیعتشان به‌جای ماشین‌ها، بیشتر شبیه به موجودات است پرداخته می شود.

تاریخچه ساخت ربات و ماشین های خودکار

ایده ماشین‌های خودکار از اساطیر فرهنگ‌های مختلف سراسر جهان نشاءت گرفته است. مهندسین و مخترعان تمدن‌های باستانی مانند چین باستان، یونان باستان و مصر باستان تلاش می‌کردند تا ماشین‌هایی خودکار بسازند که بعضی از آن‌ها شبیه به حیوانات یا انسان بودند. اولین ماشین‌های خودکار ساخته‌شده کبوترهای مصنوعی ساخته‌شده توسط ارخوطس، پرنده‌های مصنوعی Mozi و Lu Ban، ماشین خودکار سخنگوی هرون اسکندرانی، روشویی خودکار فیلوی بیزانسی و ماشینی خودکار شبیه به انسان است که در کتاب Liezi توصیف شده است.

دوره آغازین

بسیاری از اساطیر باستانی و بیشترین ادیان جدید در مورد انسان‌های مصنوعی صحبت کرده‌اند. برای نمونه می‌توان به خدمتکاران مکانیکی ساخته‌شده توسط خدای آهنگری و صنعت یونان باستان، هفائستوس، گولم های گِلی افسانه های یهودی، غول های گِلی افسانه های نورس(اسکاندیناوی) و گالاتئا، مجسمه افسانه ای متعلق به پوگمالیون که زنده شد اشاره کرد. از زمان قرن چهارم قبل از میلاد مسیح، اساطیر جزیره کرت به تالوس اشاره می‌کردند. تالوس مردی ساخته‌شده از برنز(برنج) بود که از جزیره کرت در برابر حمله دزدان دریایی محافظت می کرد.

در یونان باستان، مهندس یونانی به نام تسیبیوس( 270 سال قبل از میلاد) دانش خود در زمینه خواص هوا و گاز ها و همچنین هیدرولیک را به کار گرفت تا اولین ساز هیدرولیکی و همچنین اولین ساعت آبی با ارقام متحرک را اختراع کند. در قرن 4 قبل از میلاد، ریاضی دان یونانی ارخوطس، پرنده ای مکانیکی ساخت که با بخار کار می کرد. او این پرنده را “کبوتر” خطاب می کرد. هرون اسکندرانی، ریاضی دان و مخترع یونانی در قرن اول پس از میلاد چندین دستگاه خودکار ساخت که توسط کاربر قابل تنظیم بودند. او همچنین در متون باقی مانده از خود ماشین‌هایی را توصیف کرده که با فشار هوا، بخار و یا آب کار می‌کردند.

در متن Lokapannatti ( متنی متعلق به قرن 11 بعد از میلاد در مورد کیهان شناسی آیین بودایی) آمده که یادگار های بودا توسط ربات‌های مکانیکی در برابر حملات امپراطوری رُم محافظت می‌شدند؛ تا این‌که این ربات‌ها توسط آشوکا شاه خلع سلاح شدند.

در چین باستان، کتاب Lie Zi متعلق به قرن سوم پس از میلاد، روایتی را از یک ماشین خودکار شبیه به انسان توصیف می کند. در این روایت که متعلق به چندین قرن قبل از نوشته شدن این کتاب است امپراطور چین King Mu of Zhou و یک مهندس مکانیک به نام Yan Shi که یک سازنده ماهر بود با یکدیگر ملاقات می کنند. در این ملاقات Yan Shi ، یک کاردستی مکانیکی به شکل پادشاه را با ابعاد مشابه با ابعاد واقعی او، با افتخار به او تقدیم می کند. این کاردستی از چرم، چوب و اعضای مصنوعی ساخته‌شده بود. همچنین در کتاب Han Fei Zi و سایر کتاب ها و سایر کتاب ها به مواردی از ماشین پرنده خودکار اشاره شده است. در این کتاب ها موزی، فیسلوف موهیستی قرن 5 قبل از میلاد و Lu Ban، مهندس چینی هم عصر با او به‌عنوان مخترعین پرنده‌های مصنوعی چوبی که می‌توانستند واقعا پرواز کنند شناخته شده‌اند. در سال 1066، مخترع چینی، سوسانگ، ساعت آبی را به شکل یک برج ساخت که دارای مجسمه های مکانیکی بود که در ساعت های مختلف روز به حرکت در می آمدند.

ماکتی از ساعت آبی سوسانگ – عکس از Getty Images

محققان شروع عصر ماشین‌های خودکار را از زمان اختراع ساعت آبی سوسانگ و مجسمه های مکانیکی آن دانسته اند. این مجسمه ها در ساعت های مختلف روز به حرکت در می آمدند. این مجسمه ها از مکانیزمی استفاده می‌کردند که در آن از یک ماشین درام قابل برنامه ریزی استفاده شده بود. در این سیستم بادامک هایی وجود داشت که به اهرم های کوچکی متصل شده بود و این اهرم ها، برای ایجاد صدا با استفاده از سازهای ضربه ای(پرکاشن) مورداستفاده قرار می گرفتند. با جابجایی بادامک ها به محل های مختلف، این ماشین درام ریتم ها و الگو های مختلفی را به تولید می کرد.

در ایتالیای دوران رنسانس، لئوناردو داوینچی در سال 1495 طرح های اولیه ای را از یک ربات انسان‌نما کشید. دفتر های یادداشت داوینچی که در دهه 1950 پیدا شد دارای طرح های با جزئیاتی از یک شوالیه مکانیکی بود که امروزه با نام ربات لئوناردو شناخته می شود. این ماشین می‌توانست بشیند و بازو ها، سر و فکش را نیز تکان دهد. طراحی این دستگاه بر مبنای تحقیقات آناتومیک داوینچی بود که در طراحی دیگر او به نام مرد ویترویوسی نمایش داده شده است. معلوم نیست که داوینچی برای ساخت این ربات تلاش کرد یا خیر.

مدلی از ربات لئوناردو به همراه قسمت های داخلی آن – احتمال می‌رود که این ربات توسط لئوناردو داوینچی و در سال 1495 ساخته‌ شده باشد

در ژاپن، بین قرن های 17 تا 19 ماشین‌های خودکار پیچیده ای به شکل انسان و حیوانات ساخته می‌شد. بسیاری از این ماشین‌ها در کتاب Karakuri zui متعلق به قرن 18 نمایش داده شده‌اند. یکی از این ماشین‌ها، یک عروسک مکانیکی به نام karakuri ningyō بود. مدل های مختلفی از karakuri نیز وجود داشت؛ Butai karakuri که اغلب در نمایش ها مورداستفاده قرار می گرفت، Zashiki karakuri که کوچک بود و در خانه ها استفاده می‌شد و Dashi karakuri که در مراسم مذهبی استفاده می‌شد. در این گونه مراسم مذهبی از این عروسک ها برای بازآفرینی افسانه ها و اساطیر استفاده می‌شد.

در فرانسه، بین سال های 1738 و 1739، ژاک ووکانسن چندین ماشین با اندازه های واقعی ساخت. این ماشین‌ها شامل یک نوازنده فلوت، یک نوازنده نی و همچنین یک اردک مکانیکی بودند. این اردک مکانیکی می‌توانست بال هایش را تکان دهد، گردنش را بالا و پایین ببرد، غذا را از دست بازدیدکننده ببلعد و با دفع ماده ای که در قسمت داخلی آن کار گذاشته شده بود حس توانایی هضم غذا را به بیننده القا کند.

اکتبر 18, 2019/0 دیدگاه /توسط daliri

ربات چیست؟ قسمت 3

آموزش های عمومی هوش مصنوعی

ویژگیهای یک روبات

یک روبات دارای سه مشخصه زیر است
۱-داری حرکت وپویایی است
۲-قابلیت برنامه ریزی جهت انجام کارهای مختلف را دارد
۳-بعد از اینکه برنامه ریزی شد.قابلیت انجام وظایفش را به صورت خودکار دارد.
ممکن است روزی فرا برسد که روباتها جای انسانها را در انجام کارها بگیرند.
حتی بعضی از آنها ممکن است به صورت
محافظ شخصی از جان انسانهادر مقابل خطرات احتمالی حفاظت کنند.

آناتومی اندام روبات های شبیه انسان

در سال ۱۹۵۰ دانشمندان تصمیم گرفتند.شکلی از رباتهای دو پارا درست کنند.که از لحاظ فیزیکی شبیه انسان باشند.این گونه روباتها متشکل از دو بازو دو پا هستند.که دستها و پاها به صورت متقارن وشبیه بدن انسان در سمت راست وچپ ربات قرار گرفته اند.برای انجام چنین کاری آنها می بایست در ابتدا آناتومی بدن خود را می شناختند.آنها معتقد بودن که انسانها طی میلیونها سال تکامل یافته اند.،تا اینکه امروزه قادرند انواع مختلفی از کارها را انجام دهند.اگر از مردم راجع به روباتهای شبیه انسان سوال کنید.آنها در اولین وهله به یاد فیلم پلیس آهنی می افتند.شما نیز می توانید با استفاده از کاغذهای استوانه ای و تک های چوب وچسب شکلی مانند زیر درست کنید.

حرکت در روبات

هنگامیکه شما راجع به مطلبی فکر می کنید و برای آن دنبال پاسخ می گردید.می توانید جواب خود را در طبیعت بگیرید.به حیواناتی که اطراف ما هستند.،و مانند ما می توانند در چهار جهت حرکت کنند.دقت کنید.به طور مثال به حرکت فیل توجه کنید.مفاصلی که در پاها وجود دارند.سبب حرکت پاها به سمت عقب،جلو، چپ و راست می شوند
هنگامکه این حیوان حرکت می کند وزن خود را بر روی پا هایش تقسیم میکند.بنابراین این امکان را دارد که تعادلش را حفظ کند و بر روی زمین نیافتد.در روباتها نیز همین مسئله وجود دارد اگر یکی از پاهای آن در هوا قرار بگیرد روبات متوقف می شود.واین امکان وجود دارد بر روی زمین بیافتد.به حرکت مورجه ها دقت کنید.این موجود ۶ پا دارد. در هنگام حرکت به سمت جلو سه پایش را به سمت جلو وسه پای دیگرش را در همان موقعیت به سمت عقب فشار میدهد .دو پا از یک طرف ویک پا از طرف دیگرهمواره کار مشترکی را انجام می دهند. واین کار سبب حرکت مورچه به سمت جلو می شود.
حشرات بدلیل داشتن پاهای بیشتر وفرم پاها راحتر از حیوانات چهار پا می توانند تعادل خود را در حرکت حفظ کنند.بهمین دلیل رباتهای شبیه حشرات بیشتر از روباتهایی شبیه سگ و گربه ساخته شده اند.

لگو روبات(lego robot)

برای شروع به ساخت روبات بهتر است .،که با لگو ها ونحوه اسمبل کردن آنها آشنا شوید.لگوها ایده های خوبی در ساخت روبات به شما می دهند.بسیاری از روباتهایی که ساخته شده اند.حشره،حیوان،انسان نیستند.بلکه آنها لگو هستند.شما می توانید بدنه روبات خود را بوسیله لگوها بسازید.و مدارات الکترونیک را در آن جا سازی کنید.
بیشتر ماشینهایی که وجود دارند از چهار چرخ تشکیل شده اند.دو چرخ جلویی دارای چرخش زاویه ای هستند.،و دو چرخ عقبی در جای خود ثابت هستند.،وتنها میچرخند،حرکت به سمت راست،جلو و عقب را چرخهای جلویی تعیین می کنند.در برخی از ماشینها هر چهار چرخ دارای این وضعیت هستند.از این موارد در ساخت لگو روباتها شبیه ماشین استفاده می شود.برخی از ماشینهای پیشرفته از راه دور کنترل می شوند(remote control) که این مسئله را براحتی می توان در روباتها بست وتوسعه داد.
برای ساخت یک لگو ماشین احتیاج به چهار چرخ پلاستیکی و دو میله تحت عنوان محور احتیاج دارید.شاید بتوانید این قطعات را براحتی در یک ماشین اسباب بازی پیدا کنید.برخی از طراحان روبات به جای چهار چرخ از سه چرخ استفاده می کنند.در این حالت عموما دو چرخ ثابت وتنها در جای خود می چرخند و تنها یک چرخ دارای حرکت آزاد است.نوع دو چرخ آن نیز وجود دارد.در این حالت هر دوچرخ دارای حرکت آزاد زاویه ای هستند.
برای حل مشکل تعادل روباتها در هنگام چرخش از چهار چرخ استفاده می شود. در هر طرف دوچرخ وجود دارد.که چرخهای در هر سمت بوسیله تسمه یا نواری پلاستیکی بهم متصل می شوند.
کلمه ربات توسط Karel Capek نویسنده نمایشنامه R.U.R (روبات‌های جهانی روسیه) در سال 1921 ابداع شد. ریشه این کلمه، کلمه چک اسلواکی(robotnic) به معنی کارگر می‌باشد.
در نمایشنامه وی نمونه ماشین، بعد از انسان بدون دارا بودن نقاط ضعف معمولی او، بیشترین قدرت را داشت و در پایان نمایش این ماشین برای مبارزه علیه سازندگان خود استفاده شد.
البته پیش از آن یونانیان مجسمه متحرکی ساخته بودند که نمونه اولیه چیزی بوده که ما امروزه ربات می‌نامیم.
امروزه معمولاً کلمه ربات به معنی هر ماشین ساخت بشر که بتواند کار یا عملی که به‌طور طبیعی توسط انسان انجام می‌شود را انجام دهد، استفاده می‌شود.

ربات‌ها چه کارهایی انجام می‌دهند؟

بیشتر ربات‌ها امروزه در کارخانه‌ها برای ساخت محصولاتی مانند اتومبیل؛ الکترونیک و همچنین برای اکتشافات زیرآب یا در سیارات دیگر مورد استفاده قرار می‌گیرد.

ربات‌ها از چه ساخته می‌شوند؟

ربات‌ها دارای سه قسمت اصلی هستند:
* مغز که معمولاً یک کامپیوتر است.
* محرک و بخش مکانیکی شامل موتور، پیستون، تسمه، چرخ‌ها، چرخ دنده‌ها و …
* سنسور که می‌تواند از انواع بینایی، صوتی، تعیین دما، تشخیص نور، تماسی یا حرکتی باشد.
با این سه قسمت، یک ربات می‌تواند با اثرپذیری و اثرگذاری در محیط کاربردی‌تر شود.

تأثیر رباتیک در جامعه:

علم رباتیک در اصل در صنعت به‌کار می‌رود و ما تأثیر آن را در محصولاتی که هر روزه استفاده می‌کنیم، می‌بینیم. که این تأثیرات معمولاً در محصولات ارزان‌تر دیده می‌‌شود.
ربات‌ها معمولاً در مواردی استفاده می‌شوند که بتوانند کاری را بهتر از یک انسان انجام دهند یا در محیط پر خط فعالیت نمایند مثل اکتشافات در مکان‌های خطرناک مانند آتش‌فشان‌ها که می‌توان بدون به خطر انداختن انسان‌ها انجام داد.

مشکلات رباتیک:

البته مشکلاتی هم هست. یک ربات مانند هر ماشین دیگری، می‌تواند بشکند یا به هر علتی خراب شود. ضمناً آن‌ها ماشین‌های قدرتمندی هستند که به ما اجازه می‌دهند کارهای معینی را کنترل کنیم.
خوشبختانه خرابی ربات‌ها بسیار نادر است زیرا سیستم رباتیک با مشخصه‌های امنیتی زیادی طراحی می‌شود که می‌تواند آسیب‌ آن‌ها را محدود ‌کند.
در این حوزه نیز مشکلاتی در رابطه با انسان‌های شرور و استفاده از ربات‌ها برای مقاصد شیطانی داریم. مطمئناً ربات‌ها می‌توانند در جنگ‌های آینده استفاده شوند. این می‌تواند هم خوب و هم بد باشد. اگر انسان‌ها اعمال خشونت آمیز را با فرستادن ماشین‌ها به جنگ یکدیگر نمایش دهند، ممکن است بهتر از فرستادن انسان‌ها به جنگ با یکدیگر باشد. ربات‌ها می‌توانند برای دفاع از یک کشور در مقابل حملات استفاده می‌شوند تا تلفات انسانی را کاهش دهد. آیا جنگ‌های آینده می‌تواند فقط یک بازی ویدئویی باشد که ربات‌ها را کنترل می‌کند؟

مزایای رباتیک:

مزایا کاملاً آشکار است. معمولاً یک ربات می‌تواند کارهایی که ما انسان‌ها می‌خواهیم انجام دهیم را ارزان‌تر انجام‌ دهد. علاوه بر این ربات‌ها می‌توانند کارهای خطرناک مانند نظارت بر تأسیسات انرژی هسته‌ای یا کاوش یک آتش‌فشان را انجام دهند. ربات‌ها می‌توانند کارها را دقیقتر از انسان‌ها انجام دهند و روند پیشرفت در علم پزشکی و سایر علوم کاربردی را سرعت ‌بخشند. ربات‌ها به ویژه در امور تکراری و خسته کننده مانند ساختن صفحه مدار، ریختن چسب روی قطعات یدکی و… سودمند هستند.

تاثیرات شغلی:

بسیاری از مردم از اینکه ربات‌ها تعداد شغل‌ها را کاهش دهد و افراد زیادی شغل خود را از دست دهند، نگرانند. این تقریباً هرگز قضیه‌ای بر خلاف تکنولوژی جدید نیست. در حقیقت اثر پیشرفت‌ تکنولوژی مانند ربات‌ها (اتومبیل و دستگاه کپی و…) بر جوامع ، آن است که انسان بهره‌ورتر می‌شود.

قوانین سه‌گانه رباتیک:

ایزاک آسیموف نویسنده داستان‌های علمی تخیلی قوانین سه‌گانه رباتیک را به صورت زیر تعریف‌کرده است:
1ـ یک ربات نباید به هستی انسان آسیب برساند یا به واسطه بی‌تحرکی، زندگی یک انسان را به مخاطره بیاندازد.
2ـ یک ربات باید از دستوراتی که توسط انسان به او داده می‌شود، اطاعت کند؛ جز در مواردی که با قانون یکم در تضاد هستند.
3ـ یک ربات باید تا جایی‌که با قوانین یکم و سوم در تضاد نباشد از خود محافظت کند.

آینده رباتیک:

جمعیت ربات‌ها به سرعت در حال افزایش است. این رشد توسط ژاپنی‌ها که ربات‌های آن‌ها تقریباً دو برابر تعداد ربات‌های آمریکا است، هدایت شده است.
همه ارزیابی‌ها بر این نکته تأکید دارد که ربات‌ها نقش فزاینده‌ای در جوامع مدرن ایفا خواهند کرد. آن ها به انجام کارهای خطرناک، تکراری، پر هزینه و دقیق ادامه می‌دهند تا انسان‌ها را از انجام آن‌ها باز دارند.

ربات امدادگر

یکی از راهکارهایی که برای نجات مصدومین زلزله استفاده می شود، به کاربستن رباتیک و علوم کامپیوتر در عملیات امداد و نجات است. از طریق این فناوری‌ها می‌توان به مصدومین گرفتار در زیر آوار دسترسی پیدا کرده و جان آن‌ها را نجات داد
این ربوتها به گونه‌ای طراحی شده است که بتوان مسیر خود را در شکاف‌های باریک و از میان آوار به‌جا مانده از ساختمان بیابد و در لا‌به‌لای آن‌ها به جستجوی مصدومین حادثه بپردازد. پیکره‌ی این رباتها به یک دوربین و یک میکروفون برای دریافت داده‌هایی از میان ویرانی‌ها مجهز شده است. به علاوه یک حسگر حرارتی نیز به تجهیزات این ربوت ها افزوده شده، تا بتواند حرارت بدن مصدوم را دریافته و موقعیت او را بیابد. این حسگر، این امکان را نیز فراهم می‌سازد که حتی اگر در زیر آوار منبع نوری نیز وجود نداشت و مصدومین در تاریکی گرفتار شده بودند، باز هم فرصت یافته شدن آن‌ها وجود داشته باشد. طراحی منعطف این ربوتها برخی توانمندی‌های مختص محیط‌های دچار سانحه را به آن افزوده است، اگر در شرایطی این ربوتها با مانعی در زیر آوار برخورد کند و به سبب این برخورد تعادل خود را از دست بدهد و یا از ارتفاعی، فرو بیفتد، خواهد توانست با چرخش پیکره‌ی خود مجدداً به وضعیت متعادل و مناسب برای حرکت بازگردد.

مباني رباتيك

ربات ها ماشين هايي هستند كه به تقليد رفتار انسان ها يا حيوانات مي پردازند . انسان ها داراي جسم مي باشند و از ماهيچه براي حركت بدن ، حسگر براي دريافت اطلاعات محيط ، قدرت براي فعال كردن ماهيچه ها ، مغز براي پردازش اطلاعات حسگرها و دستور به ماهيچه ها و ويژگي هاي نامشهود ديگر مانند هوش و روحيه برخوردارند . به طور مشابه ربات ها نيز از ساختار قابل حركت ، موتورها ، حسگرهايي براي مشاهده محيط ، فعال ساز براي كنترل حركت ، منبع تغذيه و پردازنده / كامپيوتر براي كنترل رفتار و اجزاي خود برخوردار مي باشند . ربات هاي صنعتي بازوها يا ماشين هاي خودكار مكانيكي هستند كه توسط كامپيوتر كنترل شده و از آنها در خطوط مونتاژ كارخانه ها استفاده مي شود . وظايف آنها بازه وسيعي را از اتصال اجزاي بدنه اتومبيل تا قرار دادن يك قطعه بسيار كوچك در يك دستگاه الكترونيكي در بر مي گيرد .
يك ربات صنعتي كه از شش مفصل برخوردار است ، شباهت بسيار زيادي به بازوي انسان دارد . اين شش اتصال در واقع معادل شانه ، آرنج و مچ هستند . هر كدام از اين اتصالات توسط يك موتور DC/AC كنترل مي شوند . خود اين موتورها توسط سيگنال هايي كه توسط كابل منتقل مي شود ، كنترل مي گردند .
كامپيوتر كنترلي ربات شامل برنامه هايي است كه رفتار هر موتور را كنترل مي كند و بدين ترتيب ربات عمل مورد نياز را انجام مي دهد . براي حركت ربات ، اين رايانه ، موتورها و دريچه هاي مرتبط را فعال مي كند . ربات ها قابل برنامه ريزي جديد بوده و مي توان با برنامه ريزي جديد رفتار متفاوتي را از آنها انتظار داشت .
برنامه يك ربات جوشكاري حاوي دستورات لازم در زمينه ميزان جريان برق و اعمال جريان براي المان جوشكاري ربات است تا بدين ترتيب بعنوان قطعات فلزي با قطرهاي مختلف را به هم جوش داد . حسگرهاي موجود ، اطلاعات محيطي را به صورت پسخورد در اختيار كامپيوتر كنترلي قرار مي دهند و آنها را قادر مي سازند تا عمليات ربات را مطابق با شرايط محيطي تنظيم كنند . كامپيوترها سيگنال هاي فرمان را به ابزار رباتيك ارسال مي نمايند و بدين ترتيب عمليات كارخانه كنترل مي گردد .
مي توان ماشين هاي رباتيك را به گونه اي برنامه ريزي كرد كه وظايف مختلفي را انجام دهند و در نتيجه ربات ها مي توانند به منظور توليد محصولات مختلف ، مورد استفاده قرار گيرند . ربات هاي فوق در كارخانه هايي مورد استفاده قرار مي گيرند كه محصولات متنوعي را در دسته هاي كوچك توليد مي كنند و محصولات هر دسته با دسته ديگر فرق مي كند . ربات ها با سخت افزار فرآيند توليد ادغام مي شوند . پس از اينكه كار جاري خط توليد به پايان رسيد ، مي توان از اين ربات ها براي كار ديگر دوباره استفاده كرد .
خط توليدي كه در آن از ربات استفاده مي شود ، ممكن است فقط شش ماه دوام داشته باشد . پس از آن ، كارخانه به دليل تغيير محصول توليدي خود بايد خط توليد فوق را جمع آوري كند . از آنجايي كه مي توان ربات ها را براي انجام كارهاي مختلف برنامه ريزي كرد ، مي توان آنها را به راحتي از يك خط توليد جدا كرده و در جاي ديگر مورد استفاده قرار داد.
كارخانه موتورولا از دو ربات به طور همزمان براي مونتاژ قطعات الكترونيكي در دستگاه هاي راديويي خود استفاده مي كند . اين دو ربات دوازده كار پايه اي مانند قرار دادن قطعات الكترونيكي بر روي بوردهاي چاپي را بطور مشترك با هم انجام مي دهند . اين دو ربات به صورت جفت و دقيقا مانند دو بازوي يك انسان در خط مونتاژ كار مي كنند و كامپيوتر كنترل كننده با ارسال سيگنال هاي مناسب مانع از برخورد آنها باهم مي شود .

حواس انسان براي ربات ها :

تمركز طراحان بر شبيه سازي حواس انسان براي ربات ها است . ربات ها بايد بتوانند حسي از محيط پيرامون خود داشته باشند ( مشابه حواس انسان ) . آنها بايد بتوانند ببينند ، احساس كنند ، بشنوند ، بو بكشند و با انسان ها به زبان طبيعي صحبت كنند .رادارها ، دستگاههاي كاشف ، ميكروفن هاي جهت دار ، اسكنر هاي بدن و موارد مشابه قادر ند بهتر از اعضا ي بدن انسان عمل كنند ، ببينند و يا اشياء را شناسايي كنند . مشكل اصلي ، گردآوري اطلاعات نيست ، بلكه تفسير و درك آنهاست .
ساخت رباتي كه بتواند به سطح يك چاه نفت در دريا برود يا رباتي كه بتواند به يك راكتور هسته اي وارد شود ، بسيار متفاوت از رباتي است كه در آن لوله است . تصوير لوله تنها نشان دهنده جلبك هايي است كه به دور اتصالات جمع شده اند . اگر قرار است ربات تشخيص دهد كه مي تواند مشكل را حل كند يا نه ، بايد از هوش لازم براي رفع ابهام از تصوير و ايجاد يك تصوير واضح و روشن برخوردار باشد . ربات ها بايد اطلاعات مورد نياز را براي پاسخگويي به مسائل پيش آمده در جهان واقعي فراهم سازند . ربات ها بايد قادر به درك حوادث پيرامون خود باشند تا بتوانند بر آنها كنترل داشته باشند و گرنه ، داشتن حواس صرف براي گردآوري اطلاعات ، ارزشي نخواهد داشت . حواس آنها بايد پسخوري از اثرات رفتار انها بر جهان ، به آنها بدهد .

ربات هاي بيولوژيكي :

محققان به دنبال هوش هستند ، گرچه اين هوش لزوما به پيچيدگي مغز انسان كه از ميليارها نورون و تريليون ها اتصال برخوردار است نخواهد بود . گرچه بسياري از مناطق مغز انسان از ساختار يكنواختي برخوردارند ، ولي صدها منطقه در مغز وجود دارد كه از نظر معماري متمايز هستند . اين مساله سبب پيچيدگي شبيه سازي مغز انسان در ربات ها مي شود .
در مقايسه ، حشرات و موجودات دريايي از نورون هاي كمتري برخوردارند . مهندسان با استفاده از داده هاي رفتاري مي دانند كه چگونه بخش هاي مغز اين موجودات با هم در ارتباط هستند و همچنين از نحوه تعامل نورون هاي آنها به منظور انجام يك كار خاص مطلع هستند .
هوش مغز سوسك براي توسعه ربات هاي بيولوژيكي بكار گرفته شده است . حشرات در زمان حركت بالا ، زير با پيرامون موانع شش بازوي خود را كنترل مي كنند . ربات هاي شش بازويي مانند Lemur (مخففLimbed Excursion Mobile Utility Robot ) ” ربات با قدرت حركت عضوي ” از خصوصيات سيستم عصبي حشرات براي حركت در سطوح سخت و ناهموار به منظور گردآوري ، نمونه برداري و تحليل داده ها استفاده مي كنند .
ماهيچه ها مسبب حركت و دستكاري در مخلوقات هستند . فعال سازي هاي ربات ها در واقع شبيه ساز ماهيچه ها به شمار مي روند . فعال سازي هايي كه از پليمرهاي فعال شونده با جريان برق (EAP) استفاده مي كنند ، بيشترين شباهت را به ماهيچه هاي بيولوژيكي دارند . EAP ها در پاسخ به تحريك هاي الكتريكي تغيير شكل مي دهند .در صورتي كه به سيال هاي الكترورئولوژيك (ERF) مبتني بر EAP تحريك الكتريكي وارد شود ، چسبناك مي شوند . از ERF ها براي توسعه فعال سازي هاي مينياتوري كنترل شونده توسط جريان برق استفاده مي شود . نيروهايي كه در محيط هاي دور اعمال مي شوند ، سبب تغيير در ويسكوزيته ERF شده و بدين شكل خود را در اجزاي مكانيكي ربات نشان مي دهند .
از ربات هاي مبتني بر EAP در كاربردهاي پزشكي و فضايي استفاده مي شود . ربات ماهي اولين محصول تجاري است كه در آن از EAP استفاده شده است . اين ربات مي تواند بدون استفاده از موتور يا باتري و با استفاده القاء گرهاي موجود شنا كند .
EAP ها را ميتوان به شكل هاي مختلفي ساخت . از تركيب آنها با حسگرهاي MEMS ( سيستم ميكروالكترومكانيكي ) مي توان به فعال سازهاي هوشمند دست يافت . EAP واسطي است بين انسان و ماشين در واقع جايگزيني است براي حواس انسان . بعنوان مثال ، مي توان از EAP بعنوان واسط بين ربات و مغز انسان استفاده كرد . كلاوس پيترزانر از دانشگاه ساوت همپتون در انگلستان رباتي ساخته است كه توسط يك نمونه پرورش يافته و خاص از موجودات زنده ” كپك مانند” كنترل ميشود . اين سلول ها از نور دوري مي كنند .
يك نمونه ستاره اي شكل از اين سلول ها به يك ربات شش بازويي ربات متصل گرديده اند . تابش نور سفيد بر بخشي از ارگانيسم سلول سبب مرتعش شدن آن مي گردد . اين ارتعاشات به رايانه منتقل شده و بر اساس آن سيگنال هاي كنترلي براي حركت بازوها ارسال مي گردد . با تابش نور برروي بخش هاي مختلف ستاره ، بازوهاي متفاوتي را ميتوان حركت داد . با انجام اين كار به صورتي منظم و با قاعده ، ميتوان ربات را به راه انداخت .

منبع

اکتبر 18, 2019/0 دیدگاه /توسط daliri

ربات چیست؟ قسمت 2

آموزش های عمومی هوش مصنوعی

تاریخچه تحولات حوزه رباتیک

1920: نمایش نامه نویس چک اسلواکی Karl capek، کلمه ربات را در نمایش«‌ربات‌های جهانی روسیه» استفاده کرد این جمله از کلمه چکی « Robota» به معنی« کوشش ملال آور‌» آمده است.
1938: نخستین الگوی قابل برنامه‌ریزی که یک دستگاه سم‌پاشی بود، توسط دو آمریکایی به نام‌های Willard pollard و Harold Roselund برای شرکت devilbiss طراحی شد.
1942: ایزاک آسیموفRunaround را منتشر کرد و در آن قوانین سه‌گانه رباتیک را تعریف کرد.

1946: ظهور کامپیوتر: George Devol، با استفاده از ضبط مغناطیسی، یک دستگاه playback همه منظوره، برای کنترل ماشین به ثبت رساند. John Mauchly اولین کامپیوتر الکترونیکی (ENIAC) را در دانشگاه پنسیلوانیا ساخت. در MIT، اولین کامپیوتر دیجیتالی همه منظوره (Whirl wind) اولین مسئله خود را حل کرد.
1951: در فرانسه Reymond Goertz اولین بازوی مفصلی کنترل از راه دور را برای انجام مأموریت هسته‌ای طراحی کرد. طراحی آن مبتنی بر کلیه روابط متقابل مکانیکی بین بازوی اصلی و فرعی با استفاده از روش متداول تسمه و قرقره بود که نمونه‌هایی برگرفته از این طرح هنوز هم در مواردی که نیاز به لمس نمونه‌های کوچک هسته‌ای است، دیده می‌شود.
1954: George Devol اولین ربات قابل برنامه‌ریزی را طراحی و عبارت جهانی اتوماسیون را ابداع کرد. این امر زمینه‌ای برای نام‌گذاری این شرکت به Unimation در آینده شد.
1959: Marvin Minsky و John McCarthy آزمایشگاه هوش مصنوعی را در MIT بنا نهادند.

1960: Unimation توسط شرکت Coudoc خریداری شد و توسعه سیستم ربات‌های آن آغاز گردید. کارخانجات ساخت تراشه مانند AMF پس از آن شناخته شدند و اولین ربات استوانه ای شکل به نام Versatran که توسط Harry Johnson&Veljkomilen kovic طراحی شده بود، فروش رفت.
1962: جنرال موتورز اولین ربات صنعتی را از Unimation خریداری کرد و آن را در خط تولید خود قرار داد.
1963: John Mccarthy آزمایشگاه هوش مصنوعی دیگری از دانشگاه استنفورد بنا کرد.
1964: آزمایشگاه‌های تحقیقاتی هوش مصنوعی در M.I.T ،مؤسسات تحقیقاتی استنفورد (SRI)، دانشگاه‌ استنفورد و دانشگاه ادین برگ گشایش یافت.
1964: رباتیک C&D پایه گذاری شد.
1965: دانشگاه Carnegie Mellon مؤسسه رباتیک خود را تأسیس کرد.

1965: حرکت یکنواخت ( Homogeneous Trans formation) در شناخت نحوه حرکات ربات به کار رفت. این روش امروزه به عنوان نظریه اسامی رباتیک وجود دارد.
1965: ژاپن ربات Verstran ( نخستین رباتی که به ژاپن وارد شد) را از AMF خریداری کرد.
1968: کاوازاکی مجوز طراحی ربات‌های هیدرولیک را از Unimation گرفت و تولید آن را در ژاپن آغاز کرد.
1968: SRI،Shakey (یک ربات سیار با قابلیت بینایی و کنترل با یک کامپیوتر به اندازه یک اتاق) را ساخت.
1970: پروفسور victor sheinman از دانشگاه استنفورد بازوی استاندارد را طراحی کرد. ساختار ترکیب حرکتی او هنوز هم به بازوی استاندارد معروف است.
1973: Cincinnate Milacron اولین مینی کامپیوتر قابل استفاده تجاری که با رباتهای صنعتی کنترل می شد(T3) را عرضه کرد. ( طراحی توسطRichard Hohn )
1974: پروفسور Victor Scheinman، سازنده بازوی استاندارد، Inc Vicarm را جهت فروش یک نسخه برای کاربردهای صنعتی ساخت. بازوی جدید با یک مینی کامپیوتر کنترل می‌شد.
1976: Vicarm Inc در کاوشگر فضایی وایکینگ 1و2 استفاده شد. یک میکرو کامپیوتر هم در طراحی vicarm به کار رفت.

1977: یک شرکت ربات اروپایی (ASEA)، دو اندازه از ربات‌های قدرتمند الکتریکی صنعتی را عرضه کرد که هر دو ربات از یک کنترلر میکرو کامپیوتر برای برنامه ریزی عملکرد خود استفاده می‌کردند.
1977: Inc, Unimation vicarm را فروخت.
1978: unimation با استفاده از تکنولوژی Vicarm ‌ ( puma) ماشین قابل برنامه‌ریزی برای مونتاژ( puma) را توسعه داد . امروزه همچنان می‌توان puma را در بسیاری از آزمایشگاه‌های تحقیقاتی یافت.
1978: ماشین خودکار Brooks تولید شد.
1978: IBM و SANKYO ربات با بازوی انتخاب کننده، جمع کننده و مفصلی (SCARA) که در دانشگاه Yamanashi ژاپن برنامه‌ریزی و تولید شده بود، را فروختند.
1980: Cognex تولید شد.

1981: گروه ربات‌های CRS عرضه شد.
1982: Fanuc از ژاپن و جنرال موتورز درGM Fanuc برای فروش ربات در شمال آمریکا قرار داد بستند.
1983: تکنولوژی Adept عرضه شد.
1984: Joseph Engelberger ایجاد تغییرات در رباتیک را آغاز کرد و پس از آن نام ربات‌های کمکی (Helpmate) به ربات‌های خدماتی توسعه یافته (developed service Robots) تغییر یافت.
1986: با خاتمه یافتن مجوز ساخت Unimation، کاوازاکی خط تولید ربات‌های الکتریکی خود را توسعه داد.
1988: گروه Staubli، Unimation را از Westing house خرید.
1989: تکنولوژی Sensable عرضه شد.

1994: یک ربات متحرک شش پا از مؤسسه رباتیک CMUیک آتشفشان در آلاسکا را برای نمونه‌برداری از گازهای آتشفشانی کاوش کرد.
1997: ربات راه‌یاب مریخ ناسا از زمانی‌که ربات وارد مریخ شد تصاویری از جهان را ضبط و ربات سیار Sojourner تصاویری از سفرهایش به سیاره‌های دور را ارسال کرد.
1998: Honda نمونه ای از p3 (هشتمین نمونه در پروژه طراحی شبیه انسان ) که در 1986 آغاز شده بود را عرضه کرد.
2000: Honda نمونه آسیمو نسل بعدی از سری ربات‌های شبیه انسان را عرضه کرد.

2000: Sony از ربات شبیه انسان خود که لقب SDR ( Sony Dream Robots) را گرفت، پرده برداری کرد.
2001: Sony دومین نسل از ربات‌های سگ Aibo را عرضه کرد.
2001: سیستم کنترل از راه دور ایستگاه فضایی(SSRMS ) توسط مؤسسه رباتیک MD در کانادا ساخته و با موفقیت به مدار پرتاب شد و عملیات تکمیل ایستگاه فضایی بین‌المللی را آغاز کرد.

منبع

تاریخچه ربات

كلمه‌ ربات‌ بعد از به‌ صحنه‌ درآمدن‌ یك‌ نمایش‌ در سال‌1920 میلادی‌ در فرانسه‌ متداول‌ و مشهور گردید. در این‌ نمایش‌ كه‌ اثر«كارل‌ كپك‌» بود، موجودات‌ مصنوعی‌ شبیه‌ انسان‌، وابستگی‌ شدیدی‌نسبت‌ به‌ اربابان‌ خویش‌ از خود نشان‌ می‌دادند. این‌ موجودات‌ مصنوعی‌شبیه‌ انسان‌ در آن‌ نمایش‌، ربات‌ نام‌ داشتند.
در حال‌ حاضر ربات‌هایی‌ را كه‌ در شاخه‌های‌ مختلف‌ صنایع‌ مورداستفاده‌ می‌باشند، می‌توان‌ به‌ عنوان‌ «ماشین‌های‌ مدرن‌، خودكار، قابل‌هدایت‌ و برنامه‌ریزی‌»تعریف‌ كرد. این‌ ربات‌ها قادرند در محل‌های‌متفاوت‌ خطوط تولید، به‌ طور خودكار، وظایف‌ گوناگون‌ تولیدی‌ را تحت‌یك‌ برنامه‌ از پیش‌ نوشته‌ شده‌ انجام‌ دهند.

گاهی‌ ممكن‌ است‌ یك‌ربات‌، جای‌ اپراتور در خط تولید بگیرد و زمانی‌ این‌ امكان‌ هم‌ وجوددار كه‌ یك‌ كار مشكل‌ و یا خطرناك‌ به‌ عهده‌ ربات‌ واگذار شود.همانطور كه‌ یك‌ ربات‌ می‌تواند به‌ صورت‌ منفرد یا مستقل‌ به‌ كاربپردازد، این‌ احتمال‌ نیز وجود دارد كه‌ چند ربات‌ به‌ صورت‌ جمعی‌ و به‌شكل‌ رایانه‌ای‌ در خط تولید به‌ كار گرفته‌ شوند.
ربات‌ها عموماً دارای‌ ابزار و آلاتی‌ هستند كه‌ به‌ وسیله‌ آنهامی‌توانند شرایط محیط را دریابند.این‌ آلات‌ و ابزار «حس‌ كننده‌» نام‌ دارند، ربات‌ها می‌توانند در چارچوب‌ برنامه‌ اصلی‌ خود، برنامه‌های‌جدید عملیاتی‌ تولید نمایند. این‌ ربات‌ها دارای‌ سیستم‌های‌ كنترل‌ وهدایت‌ خودكار هستند.

ربات‌های‌ صنایع‌ علاوه‌ بر این‌ كه‌ دارای‌ راندمان‌، سرعت‌، دقت‌ وكیفیت‌ بالای‌ عملیاتی‌ می‌باشند، از ویژگی‌های‌ زیر نیز برخوردارند:
– بسیاری‌ از عملیات‌ طاقت‌ فرسا و غیرقابل‌ انجام‌ توسط متصدیان‌ رامی‌توانند انجام‌ دهند.
– آنها، برخلاف‌ عامل‌ انسانی‌ یعنی‌ متصدی‌ خط تولید، قادر هستند سه‌شیفت‌ به‌ كار بپردازند و در این‌ خصوص‌ نه‌ منع‌ قانونی‌ وجود دارد و نه‌محدودیت‌های‌ فیزیولوژیكی‌ نیروی‌ كار.
– هزینه‌های‌ مربوط به‌ جلوگیری‌ از آلودگی‌ صوتی‌، تعدیل‌ هوا و فراهم‌آوردن‌ روشنایی‌ لازم‌ برای‌ خط تولید، دیگر بر واحد تولید تحمیل‌نخواهد شد.

– برای‌ اضافه‌ كاری‌ این‌ ربات‌ها، هزینه‌ اضافی‌ پرداخت‌ نمی‌شود.حق‌ بیمه‌، حق‌ مسكن‌ و هزینه‌ ایاب‌ و ذهاب‌ پرداخت‌ نمی‌شود. احتیاج‌ به‌افزایش‌ حقوق‌ ندارند و هزینه‌این‌ نیز از بابت‌ بهداشت‌ و درمان‌ بر واحدتولیدی‌ تحمیل‌ نمی‌كنند.
ویژگی‌های‌ ذكر شده‌ سبب‌ می‌شوند كه‌ سهم‌ هزینه‌ كار مستقیم‌ نیروی‌انسانی‌ در هزینه‌ محصولات‌ تولیدی‌، واحدهای‌ تولیدی‌ كاهش‌ پیداكند.

ربات چیست؟

همیشه بین صاحب نظران رباتیک و فعالان رباتیک در دانشگاه ها بحث در مورد تعریف ربات وجود داشته است، گاهی اوقات بر اساس تولید ربات، در شرکتی، تعریفی صنعتی و بر اساس تولید آن شرکت از ربات ارایه می شود و در مواردی نسبت به تکنولوژی ربات توصیف شده است
با این همه در زمان کنونی فناوری ساخت ربات در حدی است که با تکیه بر تکنولوژی جدید و پیشرفته کنونی و با کمی آینده نگری می توان تعریف عینی و دست یافتنی از ربات کرد.در این جا چند تعریف معتبر ذکر شده است:
بیشتر مردم تصورشان از ربات ،ماشینی است که اعمالی هوشمند شبیه به انسان انجام می دهد.فرهنگ و بستر یک ربات را به این گونه تعریف می کنند: “یک دستگاه یا وسیله خود کاری که قادر به انجام اعمالی است که معمولا به انسانها نسبت داده می شود و یا مجهز به قابلیتی است که شبیه هوش بشری است.”
در حال حاضر و با شروع هزاره جدید ، هدف نهایی ،خلق رباتی است که همانند انسان خصوصیات برجسته ای در رفتار ، حرکت ،هوش و ارتباط از خود به نمایش بگذارد.یک ربات هوشمند را میتوان این گونه تعریف کرد:

“یک ربات هوشمند ،ماشین خودکار چند منظوره ای است که طیف وسیعی از وظایف متفاوت را، تحت شرایطی که حتی ممکن است به آن شناخت کافی نداشته باشد ،همانند انسان آن را انجام دهد”
موسسه صنعتی آمریکا RAI یا Robotic Industrial Association که شرکتی با سابقه در صنعت رباتیک می باشد و در تولید بازوهای ربات های صنعتی یا (Manipulators) است، این گونه ربات را تعریف می کند:
“یک ربات، یک جابجا کننده چند وظیفه ای برنامه پذیر است که برای حرکت دادن مواد ، قطعات ،ابزار ها یا وسایل خاص ،با استفاده از حرکات برنامه ریزی شده قابل تغییر برای تحقق فرامین مختلف ،طراحی شده است.
ربات در معنای عام تر و کلی تر یک ماشین الکترومکانیکی هوشمند است، با خصوصیات زیر:
1- می توان آن را مکرراً برنامه ریزی کرد.
2- چند کاره است.
3- Multi Tasking
4- کارآمد و مناسب برای محیط است و توانایی هماهنگ کردن خود با محیط را دارد.
و خلاصه ربات ماشینی است که کاری مستمر و تکراری را بدون خستگی و با سرعت بالا و بدون اشتباه (منظور با خطای کم) انجام دهد

کلمه روباتیک (robatics) اولین بار توسط ایزاک آسیموف در یک داستان کوتاه ارائه شد. ایزاک آسیموف (1920-1992) نویسنده کتابهای توصیفی درباره علوم و داستانهای علمی تخیلی است. ایزاک آسیموفRunaround را منتشر کرد و در آن قوانین سه‌گانه رباتیک را تعریف کرد.
هدف رباتیک اتصال هوش از ادراک به رفتار می باشد. رباتیک در اکثر مواقع در حوزه مهندسی برق، مهندسی مکانیک و مهندسی رایانه کاربرد دارد.
کنترل کننده ها اولین هدایت کننده های رباتیک بوده اند. استفاده از تئوری کنترل در هدایت سامانه های پیچیده ، موضوع علم سیبرنیتیک است. چرخه حس، طرح و عمل در هوش مصنوعی توسعه ای از علم سیبرنیتیک برای هدایت هوشمند سیستم ها می باشد، در این چرخه تعریف عمومی تری از خطا بکار رفته است و هدف آن حداقل سازی این خطاست.
در این چرخه حس وظیفه گرفتن اطلاعات از حسگر های ربات تبدیل آن به دانشی درباره جهان ، وظیفه اخذ دانش و حصول آگاهی، استدلال ، تصمیم گیری و تولید اوامری برای اجرا و عمل وظیفه انجام اوامر را بر عهده دارد.

ربات یک ماشین هوشمند است که قادر است در شرایط خاصی که در آن قرار می گیرد، کار تعریف شده ای را انجام دهد و همچنین قابلیت تصمیم گیری در شرایط مختلف را نیز ممکن است داشته باشد. با این تعریف می توان گفت ربات ها برای کارهای مختلفی می توانند تعریف و ساخته شوند.مانند کارهایی که انجام آن برای انسان غیرممکن یا دشوار باشد.
برای مثال در قسمت مونتاژ یک کارخانه اتومبیل سازی، قسمتی هست که چرخ زاپاس ماشین را در صندوق عقب قرار می دهند، اگر یک انسان این کار را انجام دهد خیلی زود دچار ناراحتی هایی مثل کمر درد و …می شود، اما می توان از یک ربات الکترومکانیکی برای این کار استفاده کرد و یا برای جوشکاری و سایر کارهای دشوار کارخانجات هم همینطور.
و یا ربات هایی که برای اکتشاف در سایر سیارات به کار میروند هم از انواع ربات هایی هستند که در جاهایی که حضور انسان غیرممکن است استفاده می شوند.
علم رباتیک از سه شاخه اصلی تشکیل شده است:

1 الکترونیک ( شامل مغز ربات)
2 مکانیک (شامل بدنه فیزیکی ربات)
3 نرم افزار (شامل قوه تفکر و تصمیم گیری ربات)
اگریک ربات را به یک انسان تشبیه کنیم، بخشهایی مربوط به ظاهر فیزیکی انسان را متخصصان مکانیک می سازند
مغز ربات را متخصصان الکترونیک توسط مدارای پیچیده الکترونیک طراحی و می سازند
و کارشناسان نرم افزار قوه تفکر را به وسیله برنامه های کامپیوتری برای ربات شبیه سازی می کنند تا در موقعیتهای خاص ، فعالیت مناسب را انجام دهد.
روباتیک، علم مطالعه فن آوری مرتبط با طراحی، ساخت و اصول کلی و کاربرد روباتهاست. روباتیک علم و فن آوری ماشینهای قابل برنامه ریزی، با کاربردهای عمومی می باشد.
برخلاف تصور افسانه ای عمومی از رباتها به عنوان ماشینهای سیار انسان نما که تقریباً قابلیت انجام هر کاری را دارند، بیشتر دستگاههای روباتیک در مکانهای ثابتی در کارخانه ها بسته شده اند و در فرایند ساخت با کمک کامپیوتر، اعمال قابلیت انعطاف، ولی محدودی را انجام می دهند چنین دستگاهی حداقل شامل یک کامپیوتر برای نظارت بر اعمال و عملکردهای و اسباب انجام دهنده عمل مورد نظر، می باشد. علاوه براین، ممکن است حسگرها و تجهیزات جانبی یا ابزاری را که فرمان داشته باشد بعضی از رباتها، ماشینهای مکانیکی نسبتاً ساده ای هستند که کارهای اختصاصی مانند جوشکاری و یا رنگ افشانی را انجام می دهند. که سایر سیستم های پیچیده تر که بطور همزمان چند کار انجام می دهند، از دستگاههای حسی، برای جمع آوری اطلاعات مورد نیاز برای کنترل کارشان نیاز دارند. حسگرهای یک ربات ممکن است بازخورد حسی ارائه دهند، طوریکه بتوانند اجسام را برداشته و بدون آسیب زدن، در جای مناسب قرار دهند. ربات دیگری ممکن است دارای نوعی دید باشد.، که عیوب کالاهای ساخته شده را تشخیص دهد. بعضی از رباتهای مورد استفاده در ساخت مدارهای الکترونیکی، پس از مکان یابی دیداری علامتهای تثبیت مکان بر روی برد، می توانند اجزا بسیار کوچک را در جای مناسب قرار دهند. ساده ترین شکل رباهای سیار، برای رساندن نامه در ساختمانهای اداری یا جمع آوری و رساندن قطعات در ساخت، دنبال کردن مسیر یک کابل قرار گرفته در زیر خاک یا یک مسیر رنگ شده که هرگاه حسگرهایشان در مسیر، یا فردی را پیدا کنند متوقف می شوند. رباتهای بسیار پیچیده تر رد محیط های نامعین تر مانند معادن استفاده می شود.
روباتها همانند کامپیوترها قابلیت برنامه ریزی دارند.بسته به نوع برنامه ای که شما به آنها می دهید.کارها وحرکات مختلفی را انجام می دهند.رشته دانشگاهی نیز تحت عنوان روباتیک وجود دارد.که به مسایلی از قبیل سنسورها، مدارات ، فیدبکها،پردازش اطلاعات وبست وتوسعه روباتها می پردازد.روباتها انواع مختلفی دارند از قبیل روباتهای شمشیر باز، دنبال کننده خط،کشتی گیر،
فوتبالیست،و روباتهای خیلی ریز تحت عنوان میکرو روباتها،روباتهای پرنده وغیره نیز وجود دارند.
روباتها برای انجام کارهای سخت ودشواری که بعضی مواقع انسانها از انجام آنها عاجز یا انجام آنها برای انسان خطرناک هستند.مثل روباتهایی که در نیروگاهای هسته ای وجود دارند.،استفاده می شوند.
کاری که روباتها انجام میدهند.، توسط میکرو پروسسرها(microprocessors) و میکروکنترلرها(microcontroller) کنترل می شود.با تسلط در برنامه نویسی این دو می توانید دقیقا همان کاری را که انتظار دارید روبات انجام دهد.
روباتهایی شبیه انسان (human robotic)نیز ساخته شده اند.،آنها قادرند اعمالی شبیه انسان را انجام دهند.حتی بعضی از آنها همانند انسان دارای احساسات نیز هستند.بعضی از آنها شکلهای خیلی ساده ای دارند.آنها دارای چرخ یا بازویی هستند که توسط میکرو کنترلرها یا میکرو پرسسرها کنترل می شوند.در واقع میکروکنترلر یا میکرو پروسسر به مانند مغز انسان در روبات کار می کند.برخی از روباتها مانند انسانها وجانوران خون گرم در برخورد و رویارویی با حوادث ومثایل مختلف به صورت هوشمند از خود واکنش نشان می دهند.یک نمونه از این روباتها روبات مامور است.
برخی روباتها نیز یکسری کارها را به صورت تکراری با سرعت ودقت بالا انجام می دهند مثل روبات هایی که در کارخانه های خودرو سازی استفاده می شوند.این گونه روبات کارهایی از قبیل جوش دادن بدنه ماشین ، رنگ کردن ماشین را با دقتی بالاتر از انسان بدون خستگی و وقفه انجام می دهند.

اکتبر 17, 2019/0 دیدگاه /توسط daliri

ربات چیست؟ قسمت 1

آموزش های عمومی هوش مصنوعی

ربات (که تهدیدی قطعی علیه بشریت است) یک دستگاه الکترو-مکانیکی یا یک نرم‌افزار هوشمند برای جایگزینی با انسان به هدف انجام وظایف گوناگون است.یک ماشین که می‌تواند برای عمل به دستورهای گوناگون برنامه‌ریزی گردد یا یک سری کارهای ویژه انجام دهد. به ویژه آن دسته از کارها که فراتر از توانایی‌های طبیعی و سرشتی بشر باشند. این ماشین‌های مکانیکی برای بهتر به انجام رساندن کارهایی چون احساس کردن، دریافت نمودن و جابجایی اشیا یا کارهای تکراری مانند جوشکاری فراوری می‌شوند.

آسیمو، یک روبات انسان‌نما، ساختهٔ شرکت هوندا.

تاریخچه

در سال ۱۹۲۳ میلادی کارل چاپک نویسنده اهل کشور چک برای اولین بار از کلمه ربات در نمایش‌نامه خود به‌عنوان آدم مصنوعی استفاده کرد. کلمه روبات گرفته شده از واژه Robota در زبان چک و به‌معنی برده و کارگر است. (مستنداتی از این کلمه پیدا نشد) در سال۱۹۴۰ شرکت وستینگهاوس سگی به نام اسپارکو ساخت که برای نخستین بار در ساخت آن، هم از قطعات مکانیکی و هم از قطعات الکتریکی استفاده شده بود.
دردهه ۱۹۵۰ میلادی با پیشرفت فناوری رایانه، صنعت کنترل متحول شد. یکی از اولین روبات‌ها، روبات‌های Hidden Mafia ساختهٔ جورج دوول و جو انگلبرگر در دهه‌های ۱۹۵۰ و ۱۹۶۰ بودند. انگلبرگر اولین شرکت روباتیک را با نام «RoboBand» بنیان نهاد و خود وی نیز امروزه پدر علم روباتیک لقب گرفته‌است.
در ژانویه ۲۰۱۳ چین اعلام کرد که در خصوص تولید و توسعه فناوری ساخت روبات‌های صنعتی پیشرفت چشمگیری داشته‌است. مقام‌های این کشور نرخ پیشرفت این صنعت را ۱۰٪ در یک سال گزارش کرده‌اند.

از انواع ربات می‌توان به

روبات‌های پرنده
روبات‌های خزنده
روبات‌های ماهی
روبات‌های جنگجو
روبات‌های فوتبالیست
روبات انسان‌نما
روبات مین یاب
روبات مسیریاب
روبات خانه‌دار

اشاره کرد.

ساختار ربات

یک ربات معمولاً یک سیستم الکترومکانیکی می‌باشد که با حرکت یا ظاهرش مفهومی از خود یا از ارباب خود را انتقال می‌دهد. از جایی‌که واژهٔ «ربات» هم به ربات‌های فیزیکی و هم به ربات‌های مجازی اطلاق می‌شود، برای ربات‌های مجازی لفظ «بات» بکار برده می‌شود که معمولاً به صورت نمایندگان نرم‌افزاری می‌باشند.

نمونه

روبات های صنعتی

امروزه کارهای سخت دیگر برای انسانها نمی باشد. سیستم های جدید صنعتی یا رباتها می توانند کارگرانی باشند که سخت کار می کنند. رباتهای صنعتی عموما برای وظایف تکراری و مشخصی استفاده می شوند. اما برای استفاده از رباتهای صنعتی برای جایگزینی به جای انسان ها باید دانست که ربات ها به تنهایی توان تشخیص و تصمیم گیری نسبت به موقعیت خود را ندارند. در این صورت استفاده از ربات هایی که با استفاده از تکنولوژی بینایی ماشین قابلیت دیدن داشته و با استفاده از هوش مصنوعی قابلیت تفکر دارند به ما کمک خواهد کرد تا از آن ها در مکان هایی استفاده کنیم که قبلا توان استفاده از آنها را نداشته ایم.

روبات راه رونده با چاپگر سه بعدی

تیمی از لابراتوار هوش مصنوعی و علوم کامپیوتر دانشگاه MIT معتقدند یک راه جدید برای ساخت روباتی کامل توسط پرینتر سه بعدی یافته‌اند. پرینترهای سه‌بعدی افق‌های تازه‌ای در حوزه‌های مختلف علمی به‌وجود آورده‌اند که آخرین نمونه آن، امکان پرینت و استفاده از یک روبات کامل است. روش به‌کار گرفته شده در این تجربه، به صورتی بود که بخش‌های مختلف یک روبات به صورت طرح اولیه به پرینتر داده شد و با پرینت گرفته شدن پمپ‌های هیدرولیک و قطعات متحرک، این روبات آماده نصب موتور و باتری برای حرکت بوده و همانند روبات‌های بیگ داگ قابل حرکت روی سطوح مختلف است.

روبات جنگجو یا آدمکش

روبات کشنده یک اسلحه کاملاً خودکار است که بدون دخالت انسان می‌تواند هدف را برگزیده و با آن وارد نبرد شود. آنها ابزارهای کشنده خودکار هستند. یک چنین ماشین‌هایی در حال حاضر وجود ندارند ولی به خاطر پیشرفت‌های سریع در رشته روباتیک ساخت آنها به واقعیت نزدیک تر شده‌است. روش‌های فراوانی وجود دارد که این امکان را به روبات‌ها می‌دهد تا قوی‌تر، مؤثرتر و مستقل‌تر رفتار کنند، مانند روبات‌هایی که در صورت آسیب دیدن باز هم کار می‌کنند (مانند روبات شش پایی که پس از آسیب با استفاده از روش «آزمون و خطای هوشمندانه»، می‌تواند در کمتر از ۲ دقیقه بیاموزد که چگونه دوباره راه برود و سپس با استفاده از این روش بهترین راه را برای ادامه گام برداشتن می‌یابد). یا روبات‌هایی که در محیط‌های نامطمئن و بی‌برنامه، بتوانند تطبیق پیدا کنند و در شرایط دشوار و متفاوت همچنان به حرکت خود ادامه داده و جابه‌جا شوند (مانند روبات سگ بزرگ (Big Dog)). در حال حاضر مهندسان روی روبات‌های خودآموز متمرکزند، دیگران در حال ساخت روبات‌ها و موادی هستند که می‌توانند در صورت خرابی «خوددرمانگر» باشند.

نخستین گفتگوی مستقل روبات با انسان

روز آدینه، ۲۹ آذر ۱۳۹۲ (۲۰ دسامبر ۲۰۱۳)، سازندگان یک روبات فضانورد ژاپنی (به نام کایروبو) متن گفتگوی از پیش برنامه‌ریزی نشده این دستگاه با یک فضانورد ژاپنی (کوئیچی واکاتا) را منتشر کردند که نخستین مورد ثبت شده از گفتگوی ارادی، ابتکاری و مستقل یک ماشین ساخت انسان است. این روبات در ماه اوت با یک سفینه حامل تدارکات برای ایستگاه بین‌المللی فضایی به فضاپرتاب شد و روز ۱۰ اوت به این ایستگاه رسید. کایروبو و واکاتا در مورد هدیه کریسمس و بی‌وزنی گفتگو کردند.

کایروبو تقریباً به اندازه یک گربه کوچک است و از سیستم عامل اندروید در مغز آن استفاده شده‌است. مغز این روبات به شکلی طراحی و ساخته شده‌است که بتواند پرسش‌هایی را که از آن می‌شود پردازش کند و با استفاده از مجموعه واژگانی که در اختیار دارد، پاسخی مناسب را برای این پرسش‌ها بیابد. توموتاکا تاکاهاشی، طراح این روبات است.

پرسش و پاسخ

فرمانده ژاپنی از روبات می‌پرسد: “کایروبو، تو از بابا نوئل چه هدیه‌ای خواهی خواست” و روبات پاسخ می‌دهد “بیایید از بابا نوئل یک سفینه اسباب بازی بخواهیم.”
روبات در پاسخ به این پرسش که سفر در سفینه به سوی ایستگاه فضایی چه طور بود، می‌گوید: “مهیج بود!”
کایروبو در پاسخ به این پرسش که در مورد وضعیت بی‌وزنی چه فکر می‌کند هم گفت: “بهش عادت کرده‌ام، اصلاً مشکلی ندارم.”

گفتگوی کایروبو با فضانورد ژاپنی در درون ایستگاه فضایی بین‌المللی چند دقیقه به طول می‌انجامد و در طول آن، این روبات به ابراز «نظر کلی» در مورد موضوعات گوناگون می‌پردازد.

روبات‌های انسان‌نمای ایرانی

ایران توانسته روبات‌های انسان‌نمایی با نام‌های سورنا۱ و سورنا۲ و سورنا۳ بسازد. سورنا۳ از دو روبات قبلی پیشرفته‌تر است و ارتقایافتهٔ همان دو روبات قبلی است. از قابلیت‌ها و توانایی‌های این روبات می‌توان به بالا رفتن از پله، حفظ تعادل روی یک پا، بیشتر شدن سرعت نسبت به نمونه‌های قبلی، شناسایی چهره و… را نام برد. سورنا۱ در سال ۱۳۸۷ رونمایی شد.

منبع

ربات و رباتیک چیست؟

ربات چیست

هر دستگاه الکترومکانیکی که عمل خاصی را انجام دهد ربات نامیده می شود. این دستگاه می تواند جهت انجام یک وظیفه خاص برنامه ریزی شود. تفاوت ربات با انسان از بسیاری جهات قابل چشم پوشی نیست. مثلا خستگی ناپذیری و انجام یک کار تکراری با دقت فراوان و یا کارهایی که توان زیادی نیاز دارند و بازوهای انسان توان لازم برای انجام آن را ندارند به راحتی از عهده ربات ها بر می آید. در اینجا یک کلیپ جالب از رباتی که برای چیدن نارگیل از درختان بالا میرود قرارداده شده است.

رباتها میتوانند بسیار ساده و یا با ساختاری پیچیده باشند ولی در همه حالتها ربات ترکیب علوم مکانیک و الکترونیک است، امروزه رشته ویژه ای به نام مکاترونیک ویژه رباتیک در دانشگاهها تدریس می گردد.

ربات هایی که امروزه بسیار بسیار در حال تکاملند ربات های انسان نما هستند، ژاپن به عنوان پیشتاز این عرصه هر روز در حال تکمیل این پروژه عظیم می باشد، چارچوب بدن ، اعضای مهم مانند چشم( چشمی که قابلیت دیدن و تشخیص دادن را داشته باشد) تاکنون طراحی وساخته شده اند و سالهای اخیر در حال طراحی چهره هم به لحاظ ظاهری (سایز و رنگ و ابعاد) وهم به لحاظ باطنی (به گونه ای که غم و شادی و عصبانیت را نشان دهد) میباشد. محققان ژاپنی اعلام کرده اند تا سال 2050 ربات های انسان نما با قابلیت های یک انسان کامل (احساسات و عواطف، عقل و درک شرایط و …) را به بازار عرضه خواهند نمود..

در چنین شرایط کشور مانیز جایگاه ویژه ای پیدا کرده و جوانان و محققان ایران نیز ربات های بسیاری ساخته اند و در بسیاری از مسابقات رتبه های عالی کسب کرده اند، تیم روباتیک دانشگاه آزاداسلامی قزوین در رقابتهای جهانی 2011 ترکیه در رشته ربات شبیه ساز امداد قهرمان جهان شد. همچنین تیم MRL دانشگاه آزاد اسلامی قزوین در این رقابتها که در شهر استانبول ترکیه جریان داشت به طور مشترک با تیم دانشگاه شهید بهشتی بر سکوی قهرمانی ایستاد.

ایده ساخت ربات از کجا می آید؟

دو نکته در بوجود آمدن و ایده اصلی ربات اهمیت دارد ابتدا اینکه یک مشکل یا سختی کار وجود دارد و باید حل گردد. دوم اینکه در طبیعت موجودی آن را حل کرده یا نه؟ مثلا تونل زدن زیر خاک یک مشکل بیان میگردد. و در طبیعت یک کرم کوچولو براحتی می تواند زیر خاک حرکت نماید این دو باعث طراحی و ساخت یک ربات می گردد که به صورت اتوماتیک تونل کنده و پیش می رود. همین طور حرکت های سریع ماهی یا کوسه زیر آب و …

ربات‌ها چه کارهایی انجام می‌دهند؟

ربات‌ها از چه ساخته می‌شوند؟

ربات‌ها دارای سه قسمت اصلی هستند:
مغز که معمولاً یک کامپیوتر است.
محرک و بخش مکانیکی شامل موتور، پیستون، تسمه، چرخ‌ها، چرخ دنده‌ها و …
سنسور که می‌تواند از انواع بینایی، صوتی، تعیین دما، تشخیص نور، تماسی یا حرکتی باشد.
با این سه قسمت، یک ربات می‌تواند با اثرپذیری و اثرگذاری در محیط کاربردی‌تر شود.

تأثیر رباتیک در جامعه

علم رباتیک در اصل در صنعت به‌کار می‌رود و ما تأثیر آن را در محصولاتی که هر روزه استفاده می‌کنیم، می‌بینیم. که این تأثیرات معمولاً در محصولات ارزان‌تر دیده می‌‌شود.

ربات‌ها معمولاً در مواردی استفاده می‌شوند که بتوانند کاری را بهتر از یک انسان انجام دهند یا در محیط پر خط فعالیت نمایند مثل اکتشافات در مکان‌های خطرناک مانند آتش‌فشان‌ها که می‌توان بدون به خطر انداختن انسان‌ها انجام داد.

مشکلات رباتیک

البته مشکلاتی هم هست. یک ربات مانند هر ماشین دیگری، می‌تواند بشکند یا به هر علتی خراب شود. ضمناً آن‌ها ماشین‌های قدرتمندی هستند که به ما اجازه می‌دهند کارهای معینی را کنترل کنیم.

خوشبختانه خرابی ربات‌ها بسیار نادر است زیرا سیستم رباتیک با مشخصه‌های امنیتی زیادی طراحی می‌شود که می‌تواند آسیب‌ آن‌ها را محدود ‌کند.

در این حوزه نیز مشکلاتی در رابطه با انسان‌های شرور و استفاده از ربات‌ها برای مقاصد شیطانی داریم. مطمئناً ربات‌ها می‌توانند در جنگ‌های آینده استفاده شوند. این می‌تواند هم خوب و هم بد باشد. اگر انسان‌ها اعمال خشونت آمیز را با فرستادن ماشین‌ها به جنگ یکدیگر نمایش دهند، ممکن است بهتر از فرستادن انسان‌ها به جنگ با یکدیگر باشد. ربات‌ها می‌توانند برای دفاع از یک کشور در مقابل حملات استفاده می‌شوند تا تلفات انسانی را کاهش دهد. آیا جنگ‌های آینده می‌تواند فقط یک بازی ویدئویی باشد که ربات‌ها را کنترل می‌کند؟

مزایای رباتیک

تاثیرات شغلی

آینده رباتیک

منبع

کلمه ربات توسط Karel Capek نویسنده نمایشنامه R.U.R (روبات‌های جهانی روسیه) در سال 1921 ابداع شد. ریشه این کلمه، کلمه چک اسلواکی(robotnic) به معنی کارگر می‌باشد.
در نمایشنامه وی نمونه ماشین، بعد از انسان بدون دارا بودن نقاط ضعف معمولی او، بیشترین قدرت را داشت و در پایان نمایش این ماشین برای مبارزه علیه سازندگان خود استفاده شد.
البته پیش از آن یونانیان مجسمه متحرکی ساخته بودند که نمونه اولیه چیزی بوده که ما امروزه ربات می‌نامیم.
امروزه معمولاً کلمه ربات به معنی هر ماشین ساخت بشر که بتواند کار یا عملی که به‌طور طبیعی توسط انسان انجام می‌شود را انجام دهد، استفاده می‌شود.

ربات یک ماشین الکترومکانیکی هوشمند است با خصوصیات زیر:

می توان آن را مکرراً برنامه ریزی کرد.
* چند کاره است.
* کارآمد و مناسب برای محیط است.

قانون رباتیک مطرح شده توسط آسیموف:

1- ربات ها نباید هیچگاه به انسانها صدمه بزنند.
2- رباتهاباید دستورات انسانها را بدون سرپیجی از قانون اوّل اجرا کنند.
3- رباتها باید بدون نقض قانون اوّل و دوم از خود محافظت کنند.

ربات‌ها دارای سه قسمت اصلی هستند:

مغز که معمولاً یک کامپیوتر است.
محرک و بخش مکانیکی شامل موتور، پیستون، تسمه، چرخ‌ها، چرخ دنده‌ها و …
سنسور که می‌تواند از انواع بینایی، صوتی، تعیین دما، تشخیص نور، تماسی یا حرکتی باشد.
با این سه قسمت، یک ربات می‌تواند با اثرپذیری و اثرگذاری در محیط کاربردی‌تر شود.

اجزاي يك ربات با ديدي ريزتر :

* وسایل مکانیکی و الکتریکی شامل :
شاسی، موتورها، منبع تغذیه،
حسگرها (برای شناسایی محیط):
دوربین ها، سنسورهای sonar، سنسورهای ultrasound، …
عملکردها (برای انجام اعمال لازم)
بازوی ربات، چرخها، پاها، …
قسمت تصمیم گیری (برنامه ای برای تعیین اعمال لازم):
حرکت در یک جهت خاص، دوری از موانع، برداشتن اجسام، …
قسمت کنترل (برای راه اندازی و بررسی حرکات روبات):
* نیروها و گشتاورهای موتورها برای سرعت مورد نظر، جهت مورد نظر، کنترل مسیر، …

مزایای ربات ها:

1- رباتیک و اتوماسیون در بسیاری از موارد می توانند ایمنی، میزان تولید، بهره و کیفیت محصولات را افزایش دهند.
2- رباتها می توانند در موقعیت های خطرناک کار کنند و با این کار جان هزاران انسان را نجات دهند.
3- رباتها به راحتی محیط اطراف خود توجه ندارند و نیازهای انسانی برای آنها مفهومی ندارد. رباتها هیچگاه خسته نمی شوند.
4- دقت رباتها خیلی بیشتر از انسانها است آنها در حد میلی یا حتی میکرو اینچ دقت دارند.
5- رباتها می توانند در یک لحظه چند کار را با هم انجام دهند ولی انسانها در یک لحظه تنها یک کار انجام می دهند.

معایب ربات ها:

1- رباتها در موقعیتهای اضطراری توانایی پاسخگویی مناسب ندارند که این مطلب می تواند بسیار خطرناک باشد.
2- رباتها هزینه بر هستند.
3- قابلیت های محدود دارند یعنی فقط کاری که برای آن ساخته شده اند را انجام می دهند.

برای مثال امروزه برای بررسی وضعیت داخلی رآکتورها از ربات استفاده می شود تا تشعشعات رادیواکتیو به انسانها صدمه نزند.

تأثیر رباتیک در جامعه:

مشکلات رباتیک:

مزایای رباتیک:

تاثیرات شغلی:

آینده رباتیک:

اکتبر 17, 2019/1 دیدگاه/توسط daliri

الگوریتم کلونی زنبور عسل مصنوعی

آموزش های عمومی هوش مصنوعی

الگوریتم کلونی زنبور عسل مصنوعی Artificial Bee Colony (ABC) Algorithm

الگوریتم جستجوی جدیدی مبتنی بر جمعیت به نام الگوریتم زنبور عسل (BA) ارایه شده است . الگوریتم کلونی زنبور عسل رفتار جست و جوی غذای گروه زنبورهای عسل را تقلید می کند . در مدل پایه ای آن الگوریتم نوعی از جستجوی همسایگی ترکیب شده با جستجوی تصادفی را انجام می دهد و می تواند برای هر دوی بهینه سازی ترکیبی یا بهینه سازی تابعی مورد استفاده قرار گیرد.

مقدمه

طبیعت الهام بخش محققان برای توسعه مدل هایی برای حل مسائل و مشکلات آنهاست. به عنوان مثال “بهینه سازی” زمینه ای است که بارها این مدل ها توسعه و به کار برده شده اند . الگوریتم ژنتیک انتخاب طبیعی و عملگرهای ژنتیک را شبیه سازی می کند ، الگوریتم بهینه سازی خرده گروه ها ، دسته های پرندگان و مدرسه ماهی ها را شبیه سازی می کند، سیستم حفاظتی مصنوعی توده های سلولی سیستم حفاظتی را شبیه سازی می کند ، الگوریتم بهینه سازی کلونی مورچه ها رفتار کاوشی مورچه ها را شبیه سازی می کند و الگوریتم کلونی زنبورهای مصنوعی رفتار کاوشی زنبورهای عسل را شبیه سازی می کند. اینها نمونه هایی بود از الگوریتم های بهینه سازی الهام شده از طبیعت . الگوریتم دیگری که رفتار کاوشی زنبورها را با یک مدل الگوریتمی متفاوت شبیه سازی می کند الگوریتم زنبور عسل BA است .
در این مقاله دو الگوریتم کلونی زنبورهای مصنوعی و الگوریتم زنبور عسل را معرفی می کنیم.

1. الگوریتم کلونی زنبورهای مصنوعی

الگوریتم کلونی زنبورهای مصنوعی (ABC) توسط کارابوگا در سال 2005 برای بهینه سازی واقعی پارامترها ارایه شد، این الگوریتم یک الگوریتم بهینه سازی جدیدا معرفی شده است و رفتار کاوشی کلونی زنبورها را برای مسایل بهینه سازی بدون محدودیت شبیه سازی می کند. برای حل مسائل بهینه سازی با محدودیت یک روش اداره محدودیت با این الگوریتم ترکیب می شود.

در یک کلونی زنبور عسل واقعی ، وظایفی وجود دارد که توسط افراد تخصصی شده انجام می شود. این زنبورهای متخصص تلاش می کنند تا میزان شهد ذخیره شده در کندو را با انجام تقسیم کار و خودسازماندهی موثر حداکثر کنند. مدل کمینه انتخاب جستجوی غذا توسط گروه های هوشمند زنبور در یک کلونی زنبور عسل ، که الگوریتم ABC اتخاذ کرده است ، شامل سه نوع زنبور است : زنبورهای کارگر ، زنبورهای ناظر ، و زنبورهای پیشاهنگ (یا دیده ور) .

نصف کلونی شامل زنبورهای کارگر است و نصف دیگر آن شامل زنبورهای ناظر است. زنبورهای کارگر مسئول بهره برداری از منابع شهدی هستند که قبلا کشف شده اند و نیز دادن اطلاعات به سایر زنبورهای منتظر (زنبورهای ناظر) در کندو درباره کیفیت مکان مواد غذایی که در حال استخراج آن هستند . زنبورهای ناظر در کندو می مانند و مطابق با اطلاعاتی که زنبورهای کارگر به اشتراک گذاشته اند درباره یک منبع غذایی برای بهره برداری شدن تصمصم گیری می کنند. پیشاهنگ ها به صورت تصادفی محیط را برای یافتن یک منبع غذایی جدید براساس یک انگیزش درونی یا مدارک امکانی خارجی یا تصادفی جستجو می کنند. مراحل اصلی الگوریتم ABC که این رفتار را شبیه سازی می کند در ادامه آورده می شود :

1- مقدار دهی اولیه به موقعیت های منابع غذایی
2- هر زنبور کارگر یک منبع غذایی جدید در مکان منبع غذایی خود تولید می کند و منبع بهتر را استخراج می کند .
3- هر زنبور دیده ور یک منبع را وابسته به کیفیت راه حلش انتخاب می کند و یک منبع غذایی جدید رادر مکان منبع غذایی انتخاب شده تولید می کند و منبع بهتر را استخراج می کند.
4- تعیین منبعی که باید متروک شود و تخصیص زنبورهای کارگر آن به عنوان دیده ور برای جستجوی منابع غذایی جدید.
5- بخاطر سپردن بهترین منبع غذایی پیدا شده تا کنون.
6- تکرار مرحله های 2 – 5 تا زمانی که معیار توقف مقتضی شود.

در مرحله اول الگوریتم ، xi (i = 1, . . . , SN) راه حل ها به صورت تصادفی تولید می شوند که در آن SN تعداد منابع غذایی است . در مرحله دوم الگوریتم ، برای هر زنبور کارگر ، که تعداد کل آنها برابر با نصف تعداد منابع غذایی است ، یک منبع جدید بوسیله رابطه زیر تولید می شود:

vij = xij + φij (xij – xkj) (1

φij یک عدد تصادفی بطور یکنواخت توزیع شده در بازه [-1,1] است که تولید موقعیت منابع غذایی همسایه را در اطراف xij کنترل می کند، K شاخص راه حل است که به صورت تصادفی از کلونی انتخاب شده است (K=int(rand ∗ SN) + 1), j = 1, . . .,D و D ابعاد مسئله است . بعد از تولید vi این راه حل جدید با xi مقایسه می شود و زنبور کارگر منبع بهتر را استخراج می کند . در مرحله سوم الگوریتم ، یک زنبور ناظر یک منبع غذایی را با احتمال (2) انتخاب می کند و منبع جدیدی را در مکان منبع غذایی انتخاب شده توسط (1) تولید می کند و به همان شکل روش زنبور کارگر، منبع بهتر برای استخراج شدن مورد تصمیم گیری قرار می گیرد.

Fiti میزان شایستگی راه حل xi است.

بعد از آنکه تمام زنبورهای ناظر در منابع توزیع شدند، منابع مورد بررسی قرار می گیرند که آیا باید ترک شوند یا خیر . اگر تعداد چرخه هایی که یک منبع نمی تواند بهبود یابد بزرگتر از محدوده از قبل تعیین شده باشد آن منبع به عنوان منبع تمام شده در نظر گرفته می شود . زنبور کارگر مربوط به منبع تمام شده یک زنبور دیده ور شده و یک جستجوی تصادفی را در قلمرو مسئله به وجود می اورد .

بوسیله رابطه (3) xij = xj min + (xj max – xjmin )*rand

منبع : http://www.ecg-pnum.ir

2. الگوریتم زنبور عسل

2.1. زنبورها در طبیعت

یک کلونی زنبور عسل می تواند خود را در فواصل دور (بیشتر از 10 کیلومتر) و به صورت هم زمان در چندین جهت گسترش دهد تا از تعداد زیادی از منابع غذایی بهره برداری کند. یک کلونی با گسترش زنبورهای دیده ور خود در دشتهای خوب به موفقیت دست می یابد. به طور کلی قطعه زمینهای گلدار با میزان شهد یا گرده فراوان که می توانند با تلاش کمتری جمع آوری شوند باید توسط زنبورهای بیشتری ملاقات شوند، در حالی که قطعه زمین های گلدار با شهد یا گرده کمتر باید زنبورهای کمتری را دریافت کنند.

فرآیند جستجوی غذا در یک کلونی با فرستادن زنبورهای دیده ور برای جستجوی گلهایی با احتمال گرده و شهد بیشتر آغاز می شود. زنبورهای دیده ور از یک قطعه زمین به قطعه زمین دیگر حرکت می کنند. درطی فصل برداشت، یک کلونی کاوش خود را ادامه می دهد و درصدی از جمعیت را به عنوان زنبورهای دیده ور آماده نگه می دارد.

هنگامی که زنبورها به کندو باز می گردند، آن زنبورهای دیده وری که قطعه زمینی آنها در درجه بالایی از یک حد آستانه معین ارزیابی شده اند (به عنوان ترکیبی از چند جزء اصلی،مثل ظرفیت شکر اندازه گیری شده است) شهد و گرده های خود را ذخیره کرده و به سالن رقص می روند تا رقصی را که به عنوان «رقص چرخشی» شناخته می شود انجام دهند.

این رقص اسرار آمیز برای ارتباطات کلونی حیاتی است، و شامل سه قسمت از اطلاعات راجع به قطعه زمین گل است: جهتی که آن قطعه زمین پیدا خواهد شد، مسافت آن از کندو، و نرخ کیفیت آن (شایستگی).

این اطلاعات به کلونی کمک می کند تا بدون استفاده از راهنماها یا نقشه ها زنبورهایش را به دقت به قطعه زمین های گل ارسال کند. دانش هر زنبور عسل از محیط بیرون منحصراً از رقص چرخشی بدست آمده است. این رقص کلونی را قادر می سازد تا شایستگی نسبی قطعه زمین های متفاوت را مطابق با کیفیت غذایی که فراهم می کنند، و میزان انرژی که نیاز است تا محصول آن را برداشت کنند ارزیابی کند. بعد از رقص چرخشی در سالن رقص، رقاص (یعنی همان زنبور دیده ور) همراه با زنبورهای پیروی که درون کندو منتظر بودند به طرف قطعه زمین گل باز می گردند.

زنبورهای پیرو بیشتری به قطعه زمین هایی با امید بخشی بیشتر فرستاده می شود این موضوع به کلونی اجازه می دهد تا غذا را سریعتر و کارآمدتر جمع آوری کند.

تا زمانی که از یک قطعه زمین محصول برداشت می شود، زنبورها سطح غذای آن را بازبینی می کنند. که برای تصمیم گیری در طی رقص پیچشی بعدی هنگامی که آن زنبورها به کندو باز می گردند ضروری است. اگر قطعه زمین هنوز به اندازه کافی به عنوان یک منبع غذایی خوب باشد، در نتیجه در رقص پیچشی بعدی اعلان خواهد شد و زنبورهای بیشتری به آن منبع فرستاده می شود.

2.2. الگوریتم زنبور عسل معرفی شده

همان طور که اشاره شد، الگوریتم زنبور عسل یک الگوریتم بهینه سازی است که از رفتار کاوشی طبیعی زنبورهای عسل برای پیدا کردن راه حل بهینه الهام شده است. شکل 1 شبهه کد الگوریتم را در ساده ترین حالت آن نشان می دهد. این الگوریتم نیازمند تنظیم تعدادی پارامتر است: تعداد زنبورهای دیده ور (n)، تعداد مکانهای انتخاب شده از مکانهای بازدید شده (m)، تعداد بهترین مکان ها از مکانهای انتخاب شده (e)، تعداد زنبورهای تازه نفس استخدام شده برای بهترین مکانهای e (nep)، تعداد زنبورهای استخدام شده برای سایر (m-e) مکان های انتخاب شده (nsp)، اندازه اولیه قطعه زمینها (ngh) که شامل مکان و همسایه های آن می شود و معیار توقف الگوریتم.

الگوریتم با n زنبور دیده ور که به صورت تصادفی در فضای جستجو قرار می گیرند شروع می شود . تابع شایستگی مکان هایی که توسط زنبورهای دیده ور ملاقات می شوند در مرحله 2 ارزیابی می شود.

1- مقدار دهی اولیه جمعیت با راه حلهای تصادفی
2- ارزیابی تابع شایستگی جمعیت
3- تا زمانی که (شرط توقف ملاقات نشده است)
// تشکیل جمعیت جدید.
4- انتخاب مکان هایی برای جستجوی همسایه ها
5- استخدام زنبورها برای مکانهای جدید (زنبورهای بیشتر برای بهترین مکان های e)
6- انتخاب مناسب ترین زنبور از هر قطعه زمین گل
7- تخصیص زنبورهای باقی مانده برای جستجوی تصادفی و ارزیابی شایستگی های آنها
8- پایان حلقه

در مرحله 4 زنبورهایی که بالاترین شایستگی را دارند به عنوان “زنبورهای انتخاب شده” انتخاب می شوند و مکان های ملاقات شده توسط آنها برای جستجوی همسایگی انتخاب می شود. سپس، در مرحله های 5 و 6، الگوریتم جستجوها را در همسایگی های مکانهای انتخاب شده هدایت می کند، و زنبورهای بیشتری را نزدیک بهترین مکانهای e تخصیص می دهد. زنبورها می توانند مستقیماً بر اساس شایستگی مکان هایی که آنها ملاقاتش کرده اند انتخاب شوند. متناوباً ، مقادیر شایستگی برای تعیین احتمال اینکه کدام زنبورها انتخاب خواهند شد استفاده می شوند.

جستجوها در همسایگی بهترین مکانهای e که راه حلهای امید بخشتری را ارائه می دهد ، نسبت به سایر زنبورهای انتخاب شده ، به واسطه فرستادن زنبورهای تازه نفس بیشتر برای پیروی از آنها با جزئیات بیشتری همراه می شود. همراه با دیده وری، این نفر گیری تفاضلی کلید عملیات در الگوریتم زنبور عسل است.

به هر حال، در مرحله 6 برای هر قطعه زمین تنها زنبور عسلی با بالاترین شایستگی انتخاب خواهد شد تا جمعیت زنبور عسل بعدی را تشکیل دهد. در طبیعت چنین محدودیتی وجود ندارد، این محدودیت در اینجا برای کاهش نقاط مورد کاوش قرار گرفته معرفی شده است. در مرحله 7، زنبورهای باقی مانده در جمعیت به صورت تصادفی در اطراف فضای جستجو تخصیص می یابند تا برای راه حلهای بالقوه جدید دیده وری کنند. این مراحل تا زمانی که یک معیار توقف ملاقات شود تکرار می یابد. در انتهای هر تکرار، کلونی دو بخش در جمعیت جدید خود دارد.

– نمایندگانی از هر قطعه زمین انتخاب شده و سایر زنبورهای دیده وری که برای انجام جستجوهای تصادفی تخصیص می یابند.

منبع

شرح الگوریتم زنبور عسل

یک کلونی زنبور عسل می‌تواند در مسافت زیادی و نیز در جهت‌های گوناگون پخش شود تا از منابع غذایی بهره‌برداری کند. قطعات گلدار با مقادیر زیادی نکتار و گرده که با تلاشی کم قابل جمع آوری است، به وسیلهی تعداد زیادی زنبور بازدید می‌شود؛ به طوری که قطعاتی از زمین که گرده یا نکتار کمتری دارد، تعداد کمتری زنبور را جلب می‌کند. پروسهٔ جستجوی غذای یک کلونی به وسیلهٔ زنبورهای دیدهبان آغاز می‌شود که برای جستجوی گلزارهای امید بخش (دارای امید بالا برای وجود نکتار یا گرده) فرستاده می‌شوند. زنبورهای دیده‌بان به صورت کتره‌ای از گلزاری به گلزار دیگر حرکت می‌کنند. در طول فصل برداشت محصول (گل‌دهی)، کلونی با آماده نگه داشتن تعدادی از جمعیت کلونی به عنوان زنبور دیده‌بان به جستجوی خود ادامه می‌دهند.

هنگامی که جستجوی تمام گلزارها پایان یافت، هر زنبور دیده‌بان، بالای گلزاری که اندوختهٔ کیفی مطمئنی از نکتار و گرده دارد، رقص خاصی را اجرا می‌کند. این رقص که به نام رقص چرخشی شناخته می‌شود، اطلاعات مربوط به جهت تکه گلزار (نسبت به کندو)، فاصله تا گلزار و کیفیت گلزار را به زنبورهای دیگر انتقال می‌دهد. این اطلاعات زنبورهای اضافی و پیرو را به سوی گلزار می‌فرستد. بیش‌تر زنبورهای پیرو به سوی گلزارهایی میروند که امید بخشتر هستند و امید بیش‌تری برای یافتن نکتار و گرده در آن‌ها وجود دارد. وقتی همهٔ زنبورها به سمت ناحیه‌ای مشابه بروند، دوباره به صورت تصادفی و به علت محدودهی رقصشان در پیرامون گلزار پراکنده می‌شوند تا به موجب این کار سرانجام نه یک گلزار، بلکه بهترین گلهای موجود درون آن تعیین موقعیت شوند.

الگوریتم زنبور عسل هر نقطه را در فضای پارامتری – متشکل از پاسخ‌های ممکن- به عنوان منبع غذا تحت بررسی قرار می‌دهد. زنبورهای دیده‌بان – کارگزاران شبیه‌سازی شده – به صورت تصادفی فضای پاسخها را ساده میکنند و به وسیلهی تابع شایستگی کیفیت موقعیتهای بازدید شده را گزارش میدهند. جواب‌های ساده شده رتبه بندی می‌شوند و دیگر زنبورها نیروهای تازهای هستند که فضای پاسخ‌ها را در پیرامون خود برای یافتن بالاترین رتبه محل‌ها جستجو می‌کنند که گلزار نامیده می‌شود. الگوریتم به صورت گزینشی دیگر گلزارها را برای یافتن نقطهی بیشینهی تابع شایستگی جستجو می‌کند

کاربردها

برخی کاربردهای الگوریتم زنبور در مهندسی:

* آموزش شبکه عصبی برای الگو شناسی

* زمان بندی کارها برای ماشین‌های تولیدی

* دسته‌بندی اطلاعات

* بهینه‌سازی طراحی اجزای مکانیکی

* بهینه‌سازی چند گانه

* میزان کردن کنترل کننده‌های منطق فازی برای ربات‌های ورزشکار

هم چنبن نوشته ای با عنوان مقاله های الگوریتم کلونی زنبور عسل (Artificial Bee Colony (ABC) Algorithm) و کاربردهای آن شامل مقالات داخلی و خارجی در همین سایت قرار داده شده است.

الگوریتم زنبور شامل گروهی مبتنی بر الگوریتم جستجو است که اولین بار در سال 2005 توسعه یافت ؛ این الگوریتم شبیه سازی رفتار جستجوی غذای گروههای زنبور عسل است. در نسخه ابتدایی این الگوریتم، الگوریتم نوعی از جستجوی محلی انجام می دهد که با جستجوی کتره ای (Random) ترکیب شده و می تواند برای بهینه سازی ترکیبی {زمانی که بخواهیم چند متغیر را همزمان بهینه کنیم.}یا بهینه سازی تابعی به کار رود.

جستجوی غذا در طبیعت

یک کلونی زنبور عسل می تواند در مسافت زیادی و نیز در جهت های گوناگون پخش شود تا از منابع غذایی بهره برداری کند.
قطعات گلدار با مقادیر زیادی نکتار و گرده که با تلاشی کم قابل جمع آوری است،به وسیلهی تعداد زیادی زنبور بازدید می شود؛ به طوری که قطعاتی از زمین که گرده یا نکتار کمتری دارد، تعداد کمتری زنبور را جلب می کند.
پروسه ی جستجوی غذای یک کلونی به وسیله ی زنبورهای دیده بان آغاز می شود که برای جستجوی گلزار های امید بخش (دارای امید بالا برای وجود نکتار یا گرده) فرستاده می شوند.

زنبورهای دیده بان به صورت کتره ای(Random) از گلزاری به گلزار دیگر حرکت می کنند.
در طول فصل برداشت محصول (گل دهی)، کلونی با آماده نگه داشتن تعدادی از جمعیت کلونی به عنوان زنبور دیده بان به جستجوی خود ادامه می دهند. هنگامی که جستجوی تمام گلزار ها پایان یافت، هر زنبور دیده بان ، بالای گلزاری که اندوخته ی کیفی مطمئنی از نکتار و گرده دارد، رقص خاصی را اجرا می کند.

این رقص که به نام “رقص چرخشی”(حرکتی مانند حرکت قرقره) شناخته می شود، اطلاعات مربوط به جهت تکه گلزار(نسبت به کندو)، فاصله تا گلزار و کیفیت گلزار را به زنبور های دیگر انتقال می دهد. این اطلاعات زنبور های اضافی و پیرو را به سوی گلزار می فرستد.
بیشتر زنبور های پیرو به سوی گلزار هایی میروند که امید بخش تر هستند و امید بیشتری برای یافتن نکتار و گرده در آنها، وجود دارد.
وقتی همه ی زنبور ها به سمت ناحیه ای مشابه بروند، دوباره به صورت کتره ای (Random) و به علت محدوده ی رقصشان در پیرامون گلزار پراکنده می شوند تا به موجب این کار سرانجام نه یک گلزار ، بلکه بهترین گل های موجود درون آن تعیین موقعیت شوند.

الگوریتم

الگوریتم زنبور هر نقطه را در فضای پارامتری_ متشکل از پاسخ های ممکن_به عنوان منبع غذا تحت بررسی قرار می دهد.”زنبور های دیده بان”_ کارگزاران شبیه سازی شده _به صورت کتره ای (Random) فضای پاسخ ها را ساده می کنند و به وسیله ی تابع شایستگی کیفیت موقعیت های بازدید شده را گزار ش می دهند. جواب های ساده شده رتبه بندی می شوند، و دیگر “زنبورها” نیروهای تازه ای هستند که فضای پاسخ ها را در پیرامون خود برای یافتن بالا ترین رتبه محل ها جستجو می کنند(که “گلزار” نامیده می شود) الگوریتم به صورت گزینشی دیگر گلزار ها را برای یافتن نقطه ی بیشینه ی تابع شایستگی جستجو می کند.

الگوريتم زنبور عسل

الگوریتم زنبور شامل گروهی مبتنی بر الگوریتم جستجو است که اولین بار در سال 2005 توسعه یافت ؛ این الگوریتم شبیه سازی رفتار جستجوی غذای گروه های زنبور عسل است. در نسخه ابتدایی این الگوریتم نوعی از جستجوی محلی انجام می دهد که با جستجوی کتره ای{Random } ترکیب شده و می تواند برای بهینه سازی ترکیبی {زمانی که بخواهیم چند متغیر را همزمان بهینه کنیم.}یا بهینه سازی تابعی به کار رود.

جستجوی غذا در طبیعت

یک کلونی زنبور عسل می تواند در مسافت زیادی و نیز در جهت های گوناگون پخش شود تا از منابع غذایی بهره برداری کند.

قطعات گلدار با مقادیر زیادی نکتار و گرده که با تلاشی کم قابل جمع آوری است،به وسیله ی تعداد زیادی زنبور بازدید می شود؛ به طوری که قطعاتی از زمین که گرده یا نکتار کمتری دارد، تعداد کمتری زنبور را جلب می کند.

پروسه ی جستجوی غذای یک کلونی به وسیله ی زنبورهای دیده بان آغاز می شود که برای جستجوی گلزار های امید بخش {دارای امید بالا برای وجود نکتار یا گرده}فرستاده می شوند. زنبورهای دیده بان به صورت کتره ای{Random } از گلزاری به گلزار دیگر حرکت می کنند.
در طول فصل برداشت محصول{گل دهی}، کلونی با آماده نگه داشتن تعدادی از جمعیت کلونی به عنوان زنبور دیده بان به جستجوی خود ادامه می دهند. هنگامی که جستجوی تمام گلزار ها پایان یافت، هر زنبور دیده -بان ، بالای گلزاری که اندوخته ی کیفی مطمئنی از نکتار و گرده دارد، رقص خاصی را اجرا می کند.
این رقص که به نام “رقص چرخشی”{حرکتی مانند حرکت قرقره} شناخته می شود، اطلاعات مربوط به جهت تکه گلزار{نسبت به کندو}، فاصله تا گلزار و کیفیت گلزار را به زنبور های دیگر انتقال می دهد. این اطلاعات زنبور های اضافی و پیرو را به سوی گلزار می فرستد.
بیشتر زنبور های پیرو به سوی گلزار هایی میروند که امید بخش تر هستند و امید بیشتری برای یافتن نکتار و گرده در آنها، وجود دارد.
وقتی همه ی زنبور ها به سمت ناحیه ای مشابه بروند، دوباره به صورت کتره ای {Random } و به علت محدوده ی رقصشان در پیرامون گلزار پراکنده می شوند تا به موجب این کار سرانجام نه یک گلزار ، بلکه بهترین گل های موجود درون آن تعیین موقعیت شوند.

الگوریتم زنبور هر نقطه را در فضای پارامتری- متشکل از پاسخ های ممکن- به عنوان منبع غذا تحت بررسی قرار می دهد.”زنبور های دیده بان”- کارگزاران شبیه سازی شده – به صورت کتره ای{Random } فضای پاسخ ها را ساده می کنند و به وسیله ی تابع شایستگی کیفیت موقعیت های بازدید شده را گزار ش می دهند. جوابهای ساده شده رتبه بندی می شوند، و دیگر “زنبورها” نیروهای تازه ای هستند که فضای پاسخ ها را در پیرامون خود برای یافتن بالا ترین رتبه محل ها جستجو می کنند{که “گلزار” نامیده می شود} الگوریتم به صورت گزینشی دیگر گلزار ها را برای یافتن نقطه ی بیشینه ی تابع شایستگی جستجو می کند.

حال در ادامه با دو الگوريتم از الگويتم های کلونی زنبورها آشنا خواهيم شد. اولين الگوريتم، الگوريتم کلونی زنبورهای مصنوعی است که کاربرد اصلی آن در بهينه سازی می باشد. الگوريتم دوم الگوريتم کاوش زنبورهای عسل میباشد که آن نيز در بهينه سازی کاربرد دارد.

منبع: http://faraebtekari.ir

الگوریتم های الهام گرفته شده از کلونی زنبورها

تلاشهای زيادی برای مدل کردن رفتارهای خاص و هوشمندانه تجمع زنبورهای عسل انجام گرفته است Tereshko و Loengarov کلونی زنبور را به عنوان يک سيستم پويا درنظر گرفتند که از محيط اطراف اطلاعات جمع اوری میکند و رفتار خود را براساس اين اطلاعات بدست آمده تنظيم می نمايد. آنها يک ايده روباتی با توجه به رفتار کاوشی زنبورها مطرح کردند. غالبا اين روباتها به صورت فيزيکی و عملکردی يکسان هستند. در نتيجه هر روبات میتواند به طور تصادفی جايگزين ديگر روباتها گردد. تجمع، قابليت تحمل خطا را دارد. با رخ دادن خطا در يک عامل کار کل سيستم مختل نخواهد شد. روباتهای مجزا، مانند حشرات، دارای قابليتها وتواناييهای محدودی هستند. همچنين دانش محدودی از محيط دارند. به عبارتی ديگر تجمع)ازدحام)، هوش جمعی همکارانه را بهبود میدهد. همچنين اين آزمايش نشان میدهد که روباتهای حشره مانند در انجام وظايف حقيقی روباتها، موفق هستند.

به علاوه آنها يک مدل کمينه از از رفتار کاوشگرانه زنبورها ارائه داند. اين مدل شامل سه مولفه مهم میباشد: 1)منبع غذايي ۲(زنبورهای کارگر ۳(زنبورهای غيرکارگر. اين مدل دو نوع رفتار را دربرمیگيرد: سربازگيری برای يک منبع شهد و ترک منبع. Teodorovic پيشنهاد داد تا از هوش جمعی زنبورها در توسعه و بهبود سيستمهای مصنوعی با هدف حل مسائل پيچيده در حمل و نقل و ترافيک استفاده شود، همچنين او الگوريتم BCO (Bee Colony Optimization)را ارائه کرد که قادر است مسائل ترکيبی قطعی را همانند مسائل ترکيبی به خوبی حل نمايد. Drias يک روش هوشمندانه جديد را معرفی نمود با نام BSO که الهام گرفته از زنبورهای واقعی است. Wedde يک الگوريتم مسيريابی جديد با نام BeeHive ارائه کرد که الهام گرفته از متدهای ارتباطی و ارزيابی و همچنين رفتار زنبورهای عسل میباشد. در اين الگوريتم عاملها در منطقه شبکه که محدودهی کاوش ناميده میشود، در طول مسيرشان اطلاعات وضعيتی شبکه را به منظور بهنگام سازی جدول مسيريابی محلی جمع آوری می کنند.

کارهای انجام شده که در پاراگراف های قبلی ذکرشد، شامل انواع مختلفی از مسائل بود. تنها دو الگوريتم بهينه سازی عددی در مقالات مبتنی بر رفتار جمعی زنبورهای عسل وجود دارد. Yang الگوريتم زنبورهای مجازی برای حل( (VBAبهينه سازی توابع عددی ارائه داده است. در ابتدا يک تجمع از زنبورهای مجازی ايجاد میشود و تجمع شروع به حرکت کردن در فضای مسئله به صورت تصادفی مینمايد. اين زنبورها هنگامی که يک يا چند منبع غذايي را يافتند که متناظر است با يافتن مقدار تابع، با يکديگر تعامل برقرار میکنند راهحل برای مسئله بهينه سازی از شدت و قوت تعاملات زنبورها با يکديگر بدست خواهد آمد. برای بهينه سازی توابع چندمتغييره Karaboga الگوريتم کلونی زنبورهای مصنوعی ( ABC ) را ارئه داد که با الگوريتم زنبورهای مجازی تفاوت دارد.

الگوریتم زنبور عسل

الگوریتم کلونی زنبور عسل مانند سایر الگوریتم های هوش ازدحامی مرتبط بر رفتار تصادفی المان های آن است و برای حل مسائل بهینه سازی کاربرد دارد. بسیاری از الگوریتم های هوش ازدحامی با الهام گرفتن از طبیعت ایجاد شده اند مانند الگوریتم کلونی مورچگان، الگوریتم پرندگان، الگوریتم فاخته و الگوریتم کلونی زنبور عسل یا Artificial bee colony algorithm که به صورت مخفف BCO نامیده میشود (Bee Colony Optimization) .

بسیاری از مسائل به روش های معمول ریاضی قابل حل نیستند و یا حل کردن آنها زمان بسیار زیادی را می طلبد. در این نوع از مسائل ما به دنبال پیدا کردن یک نقطه بهینه در مسئله هستیم که اصطلاحا به آن نقطه، نقطه بهینه می گوییم. نقطه بهینه زمانی بدست می آید که ما کمترین خطا در مسئله را داشته باشیم. الگوریتم هایی تصادفی مانند الگوریتم ژنتیک و الگوریتم های تکاملی برای حل مسائل بهینه سازی استفاده می شوند.

یکی دیگر از روش های حل مسائل بهینه سازی الگوریتم های هوش ازدحامی است که الگوریتم زنبور عسل از جمله این الگوریتم ها است. الگوریتم زنبور (Bee Algorithm) یک الگوریتم گروهی مبتنی بر جستجو است که در سال ۲۰۰۵ میلادی ابداع شده است.این الگوریتم شبیه‌ سازی رفتار جستجوی غذای گروه‌های زنبور عسل است. در نسخه ابتدایی این الگوریتم، الگوریتم نوعی از جستجوی محلی انجام می‌دهد که با جستجوی تصادفی کترها ترکیب شده و می‌تواند برای بهینه سازی ترکیبی یا بهینه‌ سازی تابعی استفاده شود.

این الگوریتم نیز مانند سایر الگوریتم های هوش ازدحامی از دو روش اکتشاف و استخراج استفاده می کند. زنبورهای کارگر وظیفه استخراج و زنبورهای ناظر وظیفه اکتشاف را به عهده دارند. زنبورهای کارگر در اطراف یک منطقه (گل های پیدا شده یا منطقه ای که شامل جواب مسئله است) به دنبال جواب بهینه می گردند و زنبورهای ناظر با رفتار تصادفی به دنبال پیدا کردن مناطق جدید هستند.

منبع: http://faraebtekari.ir

الگوریتم کلونی زنبور عسل (ABC)

چندین الگوریتم اکتشافی جدید برای حل مسایل بهینه سازی عددی و توابع ترکیبی توسعه یافته اند. این الگوریتم ها می توانند به گروههای مختلف طبقه بندی شوند با توجه به ضوابطی که در نظر گرفته شده: مانند بر اساس جمعیت ، مبتنی بر تکرار شونده ، تصادفی ، قطعی ، و غیره. در حالی که الگوریتم با یک مجموعه راه حل هاکار میکند و در جهت بهبود آنها تلاش می کنند که مبتنی بر جمعیت نامیده می شوند ، یکی از کاربرد تکرار های چندگانه برای پیداکردن راه حل مطلوب که به عنوان الگوریتم تکرار شونده نام گذاری شده است.

اگر یک الگوریتم یک قانون احتمالی را برای بهبود راه حل بکار بگیرد سپس آن را احتمال یا اتفاقی نامیده میشود. یکی دیگر از طبقه بندی را می توان بسته به ماهیت پدیده توسط الگوریتم شبیه سازی کرد.این نوع طبقه بندی ، عمدتا دارای دو گروه مهم از الگوریتم جمعیت هستند که براساس : الگوریتم های تکاملی (EA) و الگوریتم های مبتنی بر هوش جمعی. از محبوب ترین الگوریتم های تکاملی الگوریتم ژنتیک(GA) است. درGA تلاش شده است تکامل طبیعی یک پدیده شبیه سازی شود. در تکامل طبیعی ، هر گونه جستجو برای سازگاری سودمند در یک محیط در حال تغییر است. به عنوان یک گونه تکامل یافته ، ویژگی های جدیدی در کروموزوم های فردی کد گذاری می شوند.

این اطلاعات توسط جهش تصادفی تغییرمی یابد ، اما بطورواقعی نیروی محرکه باعث توسعه تکاملی درترکیب و جایگزینی مواد کروموزومی در طول تولید مثل میشود. اگر چه تلاش های متعددی برای گنجاندن این اصول در روال بهینه سازی دراوایل دهه 1960انجام شده ، الگوریتم های ژنتیک برای اولین بار بر یک مبنای نظری صوتی ایجاد شده بودند. این اصطلاح جمعی در حالت کلی برای اشاره به هر مجموعه دار از تعامل افراد مورد استفاده قرار می گیرد. به عنوان یک مثال کلاسیک از ازدحام زنبورهایی که در اطراف کندوی خود تجمع کردند ، اما در استعاره به راحتی می توان به سیستم هایی معماری مشابهی دارند توسعه داد. در کلونی مورچه ها،مورچه ها می توانند به عنوان گروهی ازعوامل تصور شوند ، همچنین ازدحام پرندگان گروهی از پرندگان است. یک سیستم ایمنی ، گروهی از سلول ها ومولکول ها است در حالی که یک جمعیت شامل گروهی از مردم است.

الگوریتم بهینه سازی ازدحام ذرات (PSO) شبیه سازی می کند رفتار اجتماعی پرندگان یا ماهی ها توسط ابرهارت و کندی در سال 1995 معرفی شده است. روش های گوناگونی به مدل رفتار هوشمند خاص ازدحام زنبور عسل پیشنهاد شده است و برای حل مسایل از نوع ترکیبی استفاده شده است.آنها یک ایده روبات بر رفتار جستجوی غذا از زنبورها را ایجاد کرده اند . معمولا ، همه %

اکتبر 16, 2019/توسط daliri

پردازش تصویر در دنیای امروز

آموزش عمومی پردازش تصویر و بینایی ماشین

کاربرد های پردازش تصویر در دنیای امروز

چکيده

علم پردازش تصویر در چند دهه اخیر از هر دو جنبه نظری و عملی پیشرفت های چشمگیری داشته است. سرعت این پیشرفت به اندازه ای بوده است که هم اکنون، به راحتی می توان رد پای پردازش تصویر را در بسیاری از علوم و صنایع مشاهده نمود. بعضی از این کاربردها آنچنان به پردازش تصویر وابسته هستند که بدون آن،اساساً قابل استفاده نمی باشند. اگر چه ذکر تمام جزئیات کاربردهای پردازش تصویر در یک مقاله امکان پذیر نمی باشد ولی سعی شده است که به طور کلی اکثر زمینه های کاربرد آن بیان شود. در این مقاله چهارده زمینه ی مختلف کاربرد پردازش تصویر بیان شده است که عبارتند از: صنعت، پزشکی، علوم نظامی و امنیتی، زمین شناسی، فضانوردی و نجوم، شهرسازی، هنر و سینما، فناوری های علمی، سیاست و روانشناسی، کشاورزی، هواشناسی، باستان شناسی، اقتصاد و تبلیغات می باشد.

كليد واژه- پردازش تصویر(Image processing)، بینایی ماشین(Machine vision)، کاربرد

1- مقدمه

امروزه با گسترش روز افزون روش های مختلف اخذ اطلاعات گسسته مانند پویشگرها و دوربین های دیجیتالی، پردازش تصویر کاربرد فراوانی یافته است. تصاویر حاصله از این اطلاعات همواره کم و بیش همراه مقداری نویز بوده و در مواردی نیز دارای مشکل محوشدگی مرزهای نمونه های داخل تصویر می باشند که موجب کاهش وضوح تصویر دریافتی می گردند. مجموعه عملیات و روش هایی که به منظور کاهش عیوب و افزایش کیفیت ظاهری تصویر مورد استفاده قرار میگیرد، پردازش تصویر نامیده می شود. اگرچه حوزه های کار با تصویر بسیار وسیع است ولی عموماً محدوده مورد توجه در چهار زمینه ی بهبود کیفیت ظاهری(Enhancement)، بازسازی تصاویر مختل شده(Restoration)، فشرده گی و رمزگذاری تصویر (Compression and Coding) و درک تصویر توسط ماشین (Understanding) متمرکز می گردد.
بهبود تصاویر شامل روش هایی مثل استفاده از فــ….یـــ……لـــ……تـــ…. …ر محو کننده و افزایش تضاد برای بهتر کردن کیفیت دیداری تصاویر و اطمینان از نمایش درست آن ها در محیط مقصد است. بینایی ماشین به روش هایی می پردازد که به کمک آن ها می توان معنی و محتوای تصاویر را درک کرد تا از آن ها در کارهایی چون رباتیک و محور تصاویر استفاده شود. پردازش تصویر از هر دو جنبه نظری و عملی پیشرفت های چشمگیری داشته است و بسیاری از علوم به آن وابسته اند.

2- کاربردهای پردازش تصویر

زمینه های مختلف کاربرد پردازش تصویر عبارتند از صنعت، هواشناسی، شهرسازی، کشاورزی، علوم نظامی و امنیتی، نجوم و فضا نوردی، پزشکی، فناوری های علمی، باستان شناسی، تبلیغات، سینما، اقتصاد، روانشناسی و زمین شناسی که در ادامه درباره هر کدام مختصراً بحث شده است.

2-1-صنعت

امروزه کمتر کارخانه پیشرفته ای وجود دارد که بخشی از خط تولید آن توسط برنامه های هوشمند بینایی ماشین کنترل نشود. خطای بسیار کم، سرعت زیاد، هزینه نگهداری بسیار پایین، عدم نیاز به حضور اپراتور 24 ساعته و خیلی مزایای دیگر باعث شده که صنایع و کارخانه ها به سرعت به سمت پردازش تصویر و بینایی ماشین روی بیاورند. دستگاهی ساخته شده که قادر است کیک های پخته را از کیک هایی که نیاز به پخت مجدد دارند، تشخیص دهد و آنها را به صورت اتوماتیک به بسته بندی بفرستد و کیک هایی که نیاز به پخت دارند را دوباره برای پختن ارسال کند.
یکی دیگر از دلایل استفاده از بینایی ماشین قابلیت دیدن و اندازه گیری محصولاتی است که دیدن یا اندازه گیری آنها با چشم غیر مسلح غیر ممکن است. عناصر تشکیل دهنده یک سیستم بینایی ماشین نرم افزار هوشمند بینایی است که ورودی خود را از دوربین های نصب شده در بخش های مختلف خط تولید می گیرد و بر اساس تصاویر دریافتی دستورات لازم برای کنترل ماشین های صنعتی را صادر می کند. پردازش تصویر در تشخیص دمای کوره هایی که هیچ وسیله ی مکانیکی و الکترونیکی تحمل دمای آنها را ندارد، کاربرد دارد. دوربین های حرارتی می توانند مشکل بخشی از سازه ی مورد نظر را تشخیص دهند.

2-2- هواشناسی

از آنجایی که در علم هواشناسی تشخیص و پیش بینی آب و هوا اکثراً از طریق تصاویر هوایی و ماهواره ای انجام می گیرد، پردازش تصویر در این علم کاربرد زیادی دارد و دقت و سرعت پیش بینی آب و هوا و طوفان ها را بسیار بالا می برد. جبهه های پرفشار، کم فشار، گردبادها و گرداب های بوجود آمده در سطح کره زمین را می توان مشاهده کرد.

2-3-شهرسازی

با مقایسه عکس های مختلف از سال های مختلف یک شهر می توان میزان گسترش و پیشرفت آن را مشاهده کرد.
کاربرد دیگر پردازش تصویر می تواند در کنترل ترافیک باشد. با گرفتن عکس های هوایی از زمین ترافیک هر قسمت از شهر مشخص می شود.
قبل از ساختن یک شهر می توان آن را توسط کامپیوتر شبیه سازی کرد که به صورت دو بعدی از بالا و حتی به صورت سه بعدی از دید های مختلف، یک شهرک چطور ممکن است به نظر برسد. تصاویر ماهواره ای که از شهرها گرفته می شود، می تواند توسط فــ….یـــ……لـــ……تـــ…. …رهای مختلف پردازش تصویر فــ….یـــ……لـــ……تـــ…. …ر شود و اطلاعات مختلفی از آن استخراج شود. به طور مثال این که شهر در چه قسمت هایی دارای ساختمان ها، آب ها یا راه های بیشتری است و همین طور می توان جاده هایی که داخل یا خارج از شهر کشیده شده اند را تحلیل کرد.

2-4- کشاورزی

این علم در بخش کشاورزی معمولاً در دو حالت کاربرد دارد. یکی در پردازش تصاویر گرفته شده از ارتفاعات بالا مثلاً از هواپیما و دیگری در پردازش تصاویر نزدیک به زمین.
در تصاویر دور به عنوان مثال می توان تقسیم بندی اراضی را تحلیل کرد. همچنین می توان با مقایسه تصاویر دریافتی در زمان های متفاوت میزان صدمات احتمالی وارد به محیط زیست را دید. به عنوان مثال می توان برنامه ای نوشت که با توجه به محل رودخانه ها و نوع خاک مناطق مختلف، به صورت اتوماتیک بهترین نقاط برای کشت محصولات مختلف را تعیین می کند.
تصاویر نزدیک هم در ساخت ماشین های هرز چین اتوماتیک کاربرد دارد. امروزه ماشین های بسیار گران قیمت کشاورزی وجود دارند که می توانند علف های هرز را از گیاهان تشخیص بدهند و به صورت خودکار آنها را نابود کنند.
برای مثال یکی از پروژه های جالب در بخش کشاورزی، تشخیص خودکار گل زعفران برای جداسازی پرچم قرمز رنگ آن بوده است. این پردازش که توسط نرم افزار Stigma detection®انجام گرفته است.

2-5-علوم نظامی و امنیتی

پردازش تصویر بخصوص بینایی هوشمند، کاربردهای بسیاری را در علوم نظامی و امنیتی دارند و این کاربرد برای دولت اکثر کشورها بسیار مهم است. به عنوان مثال موشک هدایت شونده خودکاری وجود دارد که می تواند روی در یک ساختمان قفل کند و حتی می تواند به درز بین در و دیوار آن ساختمان که حساس ترین جای ساختمان است به راحتی نفوذ کند. این موشک به صورت اتوماتیک این قسمت را شناسایی کرده و به سمت آن حمله می کند.
در مسائل امنیتی هم کاربرد پردازش تصویر کاملاً در زندگی ما مشهود است. دوربین های که به صورت اتوماتیک از ماشین هایی که تخلف رانندگی انجام می دهند عکس برداری می کند.
از سیستم های امنیتی دیگر می توان سیستم تشخیص اثر انگشت اتوماتیک را نام برد. در لپ تاپ های جدید قابلیت finger print به آنها اضافه شده و می تواند صاحب لپ تاپ را توسط اثر انگشت شناسایی کند.
کد امنیتی دیگری که همیشه همراه انسان حمل می شود، چشم انسان است. دانشمندان ثابت کرده اند که پترن های (Pattern) موجود در مردمک چشم هر انسان منحصر به فرد است و هیچ دو فردی در دنیا وجود ندارند که پترن هایی که در مردمک چشم آنها وجود دارد دقیقاً مثل هم باشد. از همین روش برای شناخت افراد و سیستم های امنیتی استفاده می شود.

در کل این خواص بیومتریک در انسان بسیار زیاد است. عرض و طول صورت، فاصله بین انگشتان دست، طول و عرض انگشت ها، فاصله ی بندها از یکدیگر و حتی خط های کشیده شده کف دست و هزاران خاصیت دیگر، تماماً خصوصیاتی هستند که برای انسان ها منحصر به فرد هستند.دوربین هایی وجود دارند که به صورت دید در شب، قادر هستند چیزهایی را که ما نمی بینیم، ببینند و پردازش کنند.اسلحه های خودکاری ساخته شده اند که به صورت اتوماتیک و دقیق نشانه گیری می کنند.
پردازش تصویر همینطور با پردازش تصاویر گرفته شده از فاصله های دور هم می تواند در علوم نظامی و امنیتی کمک کند.به عنوان مثال دوربینی قادر است با سرعت بسیار زیاد یک توپ را دنبال کند.این مسئله کاربرد بسیار زیادی در مسائل نظامی دارد.

2-6-نجوم و فضا نوردی

ساخت دستگاه های اتوماتیک رصد آسمان و ثبت وقایع آسمانی به صورت خودکار از کاربردهای پردازش تصویر است که امروزه روی آن کار می شود.
از پروژه های جدید در بخش نجوم که بخشی از آن توسط سیستم پردازش تصویر انجام می شود، تهیه نقشه سه بعدی از کل عالم کائنات است !

پردازش تصویر در فضانوردی هم کاربرد زیادی دارد. در تصاویر دور می توان سطح سیارات و همچنین سطح قمرها را اسکن کرده و اطلاعات بسیار ریزی از آنها استخراج کنیم.
کاربرد دیگر پردازش تصویر در فــ….یـــ……لـــ……تـــ…. …ر کردن عکس هایی است که توسط تلسکوپ های فضایی مختلف از جمله هابل (Hubble Space Telescope)، از فضا گرفته می شود.
کاربرد دیگر آن حذف گرد و خاک و جو سیاره ها از تصاویر به کمک تصویربرداری IR و X-RAY به صورت همزمان و ترکیب این تصاویر است.
در تصاویر نزدیک هم کاربرد دارد، از جمله هدایت مریخ نوردها، فرود فضاپیماهای بدون سرنشین و الصاق تجهیزات جدید به ایستگاههای فضایی به صورت خودکار.
از امکانات سایت گوگل، امکاناتی است به نام Google Mars که این برنامه دقیقاً مانند Google Earth عمل می کند با این تفاوت که Google Earth سطح زمین را در هر زمان که بخواهید و در هر نقطه ای از زمین و از ارتفاع های بسیار پائین هم نشان می دهد ولی Google Mars دقیقاً همین کار را برای سطح سیاره مریخ انجام می دهد.

2-7-پزشکی

یکی از مهمترین کاربردهای پردازش تصویر در علم پزشکی است. در جایی که ما نیاز داریم تمام عکس ها با نهایت شفافیت و وضوح گرفته شوند زیرا دیدن تمام جزئیات لازم است. جراحی های ریز microsurgery با ایجاد یک سوراخ کوچک و فقط دیدن محل جراحی توسط پزشک، از راه دور و توسط بازوهای رباتیک بسیار دقیق انجام می شوند.

2-8-فناوری های علمی

پردازش تصویر در افزایش سرعت پیشرفت های علمی تأثیر فوق العاده داشته است. اولین و مشخص ترین تأثیر آن را می توان در علم عکاسی یا هنر دید. شکار لحظه های شگفت آوری که در کسری از ثانیه اتفاق می افتد، بالا بردن وضوح عکس های گرفته شده و ایجاد افکت های خیره کننده، از دستاوردهای پردازش تصویر است.
همچنین در توسعه تکنولوژی پیشرفته (gps (Global Positioning Systems کمک زیادی داشته و تهیه نقشه های سه بعدی از جاده ها در تمام نقاط جهان، از کاربردهای دیگر آن است. با به وجود آمدن این علم، مسابقات ربات های فوتبالیست به صورت جدی دنبال شد.
این علم در پیشرفت علوم پایه فیزیک ، شیمی و مخصوصاً تحقیقات فیزیکی و مکانیکی، کمک فراوانی کرده است. به عنوان مثال وسیله ای برای حمل و نقل کالاها در مسیرهای صعب العبور ساخته شده است. قبل از ساخت آن، رفتار چهارپایان در حالت های مختلف توسط کامپیوتر تحلیل و عیناً به دستگاه آموزش داده شده است.در کل پردازش تصاویر به علت سرعت زیاد آن، در ساخت وسایل مکانیکی پر سرعت، کاربرد زیادی دارد. وسیله ای وجود دارد که قادر است ، توپی که با سرعت بسیار زیاد به سمت پائین می آید را مهار کند.

2-9-باستان شناسی

در علم باستان شناسی تنها مدارک باقی مانده از دوران باستان، دست نوشته ها، نقاشی ها و غارنگاری های قدیمی است. تهیه تصاویر از بناهای گذشته و بازسازی مجازی این بناهای تاریخی یکی از کاربردهای پردازش تصویر در این علم است. همچنین می توان نقاشی ها و غارنگاری ها را مورد پردازش دقیق قرار داد و شکل آنها را همان طور که در ابتدا بوده اند، شبیه سازی کرد. حتی می توان مکانهای باستانی را از زوایایی که تصاویر مستندی از آنها وجود ندارد، شبیه سازی کرد.
امروزه یکی از پروژه های پر سر و صدای بازسازی بناهای باستانی، بازسازی شهر روم باستان توسط دانشمندان ایتالیایی است. هم اکنون توریست ها با زدن عینک های مخصوص می توانند در خیابان های شهر روم باستان قدم بزنند.

2-10-تبلیغات

از مقایسه تبلیغات دهه ی 70 و 80 میلادی با تبلیغات امروزی می توان تأثیر تکنولوژی را در تبلیغات کاملاً درک کرد. تغییر شکل تبلیغات از اشکال مربع و زاویه دار به شکل های دایره ای، تغییر رنگ تبلیغات و هزاران تغییر دیگر. یکی از مهمترین فاکتورهای فروش و دلایل بالا رفتن یا پایین آمدن فروش، شکل و نحوه ی بسته بندی کالاست. پردازش تصویر می تواند به ما کمک کند تا قبل از تولید یک بسته بندی آن را شبیه سازی کنیم. با ادغام کردن علم الگوریتم ژنتیک با پردازش تصویر می توان برنامه ای را نوشت که به صورت اتوماتیک به ساختن بسته بندی های مختلف بپردازد و آنهایی که از نظر کاربران زیباتر و جالب تر به نظر خواهند آمد را به ما معرفی نماید.

2-11-سینما

اولین علمی که پردازش تصویر در آن مورد استفاده قرار گرفت، هنر و سینما بود. یکی از تکنولوژی های برتر دنیا motion capture است که در آن یک کاراکتر انیمیشنی قادر است حرکات دست انسان را تقلید کند. امروزه این سیستم جهت ساخت فیلم ها و بازی های کامپیوتری مورد استفاده قرار می گیرد.
در پردازش تصویر قابلیتی به نام هیستوگرام (Histogram) وجود دارد که با آن قادرند تصاویر را شفاف یا تیره تر کرده و یا هر تغییر مورد نیاز دیگری را روی تصاویر با توجه به منحنی ها و نمودارهای هیستوگرام بدهند.
در سینما برای اینکه تصویری شفاف به نظر آید، با استفاده از یک کره ی نقره ای رنگ، تصاویر اطراف دوربین را هم ثبت می کنند. بنابراین تصویر نسبت به محیط اطراف خود شفافیت غیر قابل تصوری پیدا می کند.

2-12-اقتصاد

در دنیای امروز تمام نوآوری ها، به نوعی مستقیم یا غیر مستقیم باعث تغییراتی در اقتصاد گروهی از کشورها و یا کل دنیا می شوند. پردازش تصویر هم، به صورت مستقیم و غیر مستقیم در اقتصاد تأثیر گذار است. در تبلیغات، سیاست، فضانوردی، کشاورزی، شهرسازی، سینما، پزشکی و علوم نظامی می تواند تأثیر غیر مستقیمی در اقتصاد کشورها داشته باشد. همچنین از تأثیر مستقیم آن در اقتصاد، می توان به وجود شعبه های بانک بدون کارمند اشاره کرد. این شعبه ها قادرند به صورت خودکار سریال چک ها و قبوض پرداختی را بخوانند، نوع اسکناس ها را تشخیص دهند و تا حد زیادی از کارهای یک بانک عادی را انجام دهند.

2-13-روانشناسی

بحث تاثیر رنگ در روحیه انسان اهمیت بسیار زیادی دارد به طوری که در روانشناسی گرایشی به نام روانشناسی رنگ وجود دارد. در این علم در مورد رنگ ها و تأثیر هر یک بر روح و جسم انسان صحبت می شود. به عنوان مثال رنگ قرمز بیشتر تأثیر را در چشم انسان دارد. در حالی که رنگ سبز بیشترین تأثیر را در مغز انسان دارد.
همچنین رنگ آبی باعث ایجاد حس آرامش و اطمینان در انسان می شود. به همین دلیل در سخنرانی های اکثر سیاستمداران دنیا از پرده آبی رنگ در پشت سر آن ها استفاده می شود.
با پردازش تصویر می توان به راحتی تصاویر ثابت و متحرک را ویرایش کرد. به طور مثال رنگ آبی را برای ایجاد حس اطمینان یا رنگ سبز را برای حس زیبایی و قرمز را برای ایجاد هیجان در تصاویر پر رنگ تر کرد.

2-14-زمین شناسی‌

با پردازش تصویر می توان کانی های مختلف را از روی رنگ و اندازه آن ها شناسایی و دسته بندی کرد. همچنین در زمین شناسی برای پی بردن به مواد تشکیل دهنده کانی ها از روش پرتونگاری ((tomography استفاده می کنند و پردازش تصویر در این بخش می تواند سرعت و دقت این روش را بسیار بالا ببرد. کاربرد دیگر آن این است که دانشمندان با مقایسه کردن ارتفاع آب در سال های مختلف، در واقع روند تند شدن یا کند شدن کاهش آّب در سطح زمین را مورد بررسی قرار می دهند.

——————-
عملیات پردازش تصویر در حقیقت مقایسه دو مجموعه عدد است که اگر تفاوت این دو مجموعه از یک محدوده خاص فراتر رود، از پذیرفتن محصول امتناع شده و در غیر این‌صورت محصول‌ پذیرفته می‌شود.

یکی از کاربردهای بینایی ماشین و پردازش تصویر در کنترل کیفیت خروجی کارخانه‌ها می‌باشد. در این قسمت می‌خواهیم ببینیم که یک جسم چگونه اجازه عبور می‌یابد و برعکس چگونه به بعضی از جسم ها اجازه عبور و ادامه دادن داده نمی‌شود.

پس از اینکه جسم از جلوی سنسور عبور کرد، سیگنال ارسالی به رایانه فرمان گرفتن تصویر را می دهد. سپس تصویر گرفته شده، پردازش و نتایج لازم از آن استخراج می شود. در این جا ما سعی در مکانیزه کردن فرآیندی یکنواخت داریم که به‌صورت معمول و تکراری توسط انسان انجام می‌شود. اولین مسأله و مشکل ما این است که چگونه عکس‌های تهیه شده از اشیایی که در حال حرکت بر روی نوار نقاله هستند را تبدیل به داده‌های قابل فهم و تفسیر سیستم (صفر و یک) نماییم، که این مشکل توسط دوربین CCD (Charge Coupled Device) و تبدیل داده ها به صفر و یک حل می‌شود. سپس این داده ها برای تحلیل به کامپیوتر انتقال می یابند.

دوربین های صنعتی و دیجیتال معمولا از نوع CCD هستند،. نور از طریق یک عدسی وارد دوربین و برروی یک پرده مخصوص تصویر می‌شود که تحت عنوان تراشه CCD شناخته می‌شود. تراشهCCD که تصاویر با استفاده از آن گرفته می‌شوند از تعداد زیادی سلول تشکیل شده که همگی در یک تراشه با الگوی خاصی مرتب شده‌اند و تحت عنوان پیکسل (pixels) شناخته می‌شوند. زمانی که تراشه CCD این اطلاعات را دریافت می‌کند، آن‌ها را به شکل سیگنال‌های دیجیتالی از طریق کابل‌هایی به سیستم دریافت‌کننده می‌فرستد و بعد تصاویر در این سیستم به صورت مجموعه‌ای از اعداد ذخیره می‌شوند.

——————–
صنايع چوب يكي از پر كاربرد ترين صنايع در عصر حاضر است.
اين صنعت قديمي روز به روز در حال پيشرفت در زمينه هاي مختلف آن مي باشد.
اكنون ديگر صنايع چوب به يك صنعت آميخته با هنر تبديل شده است.
همان طور كه مي دانيم برش و حالت دهي از جمله مهمترين و كليدي ترين كار هاي صنعت چوب مي باشد.
اما هميشه يك مشكل اساسي در برش صحيح چوب وجود داشت و آن هم اين بود كه چگونه چوب به حالتي برش شود كه كمترين ميزان اتلاف چوب را داشته باشد و نيز بعد از برش چگونه مي توان صحيح بودن برش را كنترل كرد.
اين مشكل نيز به راحتي توسط پردازش تصوير قابل حل است.
بعد از اين كه برش يك قسمت از چوب تمام شد ، با استفاده از يك دوربين آن قسمت را كنترل مي كنيم تا نقصي از لحاظ برش وجود نداشته باشد.

——————–
بحث شمارش، جزء لاينفك بسته بندي كالاهاي مختلف مي باشد.
زماني كه تعداد بسته بندي ها بالا رود ، اين كار يك كار خسته كننده و طاقت فرسا براي انسان به نظر مي آيد.
اما شايد ساده ترين كار در بحث پردازش تصوير ، شمارش باشد.
شمارش تعداد به خودي خود شامل چندين موضوع مي شود؛ از جمله : شمارش اجزاي داخل بسته بندي ، شمارش اجزاي روي نوار نقاله و … .

——————–
تشخیص شماره پلاک خودرو
نرم افزار شمارش خودروهای عبوری از عرض خیابان

بی شک یکی از مؤثر ترین مولفه‌ها در مدیریت و برنامه ریزی دسترسی به آمار دقیق می‌باشد. درصورت وجود آمار دقیق و سریع می‌توان از روشهای کنترل بهینه استفاده کرد و بهره وری را افزایش داد. به عنوان مثال اگر آمار دقیقی از میزان مصرف یک محصول غذایی وجود داشته باشد با برنامه ریزی مناسب می‌توان زمینه تولید و عرضه اصولی آن را فراهم کرد. لذا احتمال نابسامانی در بازار و متضرر شدن کشاورز و مصرف کننده کاهش می‌یابد. چنان که بیان شد مهمترین فاکتور در برنامه ریزی دسترسی به آمار مناسب است اما تهیه آمار فرایند پیچیده و وقت گیر است و معمولا هزینه زیادی را در بر دارد. به عنوان مثال به دلایلی از جمله کنترل ترافیک یا کنترل میزان روشنایی خیابان باید خودروهای عبوری از خیابان شمارش شوند. این کار اگر به صورت دستی یا انسانی انجام شود، هزینه زیادی نیاز دارد، امکان سهل انگاری انسانی نیز وجود دارد پس استفاده از یک دستگاه مناسب که توانایی شمارش خودروهای عبوری را داشته باشد تنها گزینه ممکن است. با توجه به نیاز فوق نرم افزاری تهیه شده‌است که با استفاده از تصاویر گرفته شده از عرض خیابان خودروهای عبوری را تشخیص می‌دهد و تعداد آنها را شمارش می‌کند. این نرم افزار امکان استفاده در روز یا شب را دارا می‌باشد. شمایی از این نرم افزار در زیر نشان داده شده‌است.

———————
کنترل ماشین آلات و تجهیزات صنعتی یکی از وظایف مهم در فرآیندهای تولیدی است. بکارگیری کنترل خودکار و اتوماسیون روزبه روز گسترده تر شده و رویکردهای جدید با بهره گیری از تکنولوژی‌های نو امکان رقابت در تولید را فراهم می‌سازد. لازمه افزایش کیفیت و کمیت یک محصول، استفاده از ماشین آلات پیشرفته و اتوماتیک می‌باشد. ماشین آلاتی که بیشتر مراحل کاری آنها به طور خودکار صورت گرفته و اتکای آن به عوامل انسانی کمتر باشد. امروزه استفاده از تکنولوژی ماشین بینایی و تکنیک‌های پردازش تصویر کاربرد گسترده‌ای در صنعت پیدا کرده‌است و کاربرد آن بویژه در کنترل کیفیت محصولات تولیدی، هدایت روبات و مکانیزم‌های خود هدایت شونده روز به روز گسترده تر می‌شود.

عدم اطلاع کافی مهندسین از تکنولوژی ماشین بینایی و عدم آشنایی با توجیه اقتصادی بکارگیری آن موجب شده‌است که در استفاده از این تکنولوژی تردید و در بعضی مواقع واکنش منفی وجود داشته باشد. علی رغم این موضوع، ماشین بینایی روز به روز کاربرد بیشتری پیدا کرده و روند رشد آن چشمگیر بوده‌است. عملیات پردازش تصویر در حقیقت مقایسه دو مجموعه عدد است که اگر تفاوت این دو مجموعه از یک محدوده خاص فراتر رود، از پذیرفتن محصول امتناع شده و در غیر این‌صورت محصول پذیرفته می‌شود. در زیر پروژه‌هایی که در زمینه پردازش تصاویر پیاده سازی شده‌است، توضیح داده می‌شود. این پروژه‌ها با استفاده از پردازش تصویر، شمارش و اندازه گیری اشیا، تشخیص عیوب، تشخیص ترک، دسته بندی اشیا و عملیات بیشمار دیگری را انجام می‌دهند:

1. اندازه گیری و کالیبراسیون
2. جداسازی پینهای معیوب
3. بازرسی لیبل و خواندن بارکد
4. بازرسی عیوب چوب
5. بازرسی قرص
6. بازرسی و دسته بندی زعفران
7. درجه بندی و دسته بندی کاشی
8. بازرسی میوه
———————-
اتوماسیون صنعتی

با استفاده از تکنیکهای پردازش تصویر می‌توان دگرگونی اساسی در خطوط تولید ایجاد کرد. بسیاری از پروسه‌های صنعتی که تا چند دهه پیش پیاده سازیشان دور از انتظار بود، هم اکنون با بهرگیری از پردازش هوشمند تصاویر به مرحله عمل رسیده‌اند. از جمله منافع کاربرد پردازش تصویر به شرح زیر است.

* افزایش سرعت و کیفیت تولی
* کاهش ضایعات
* اصلاح روند تولید
* گسترش کنترل کیفیت

———————
نمونه ای از کاربردهای پردازش تصویر در زمینه رهگیری (tracking):

نتیجه گیری
رد پای پردازش تصویر در بسیاری از علوم و صنایع مشاهده می شود و بعضی از این کاربردها آنچنان به پردازش تصویر وابسته هستند که بدون آن، اساساً قابل استفاده نمی باشند. کاربرد پردازش تصویر در هر یک از زمینه هایی که بحث شد، بسیار گسترده است

اکتبر 16, 2019/0 دیدگاه /توسط daliri

یادگیری ماشین قسمت 3

بینایی ماشین (Machine Vision) و بینایی کامپیوتر

یادگیری ماشین(Machine learning) موضوع داغی است که اخیرا با نام های بزرگی چون گوگل و فیس بوک ساخته شده و با الگوریتم های بسیار پیچیده ای که بعضی اوقات مانند داستان های علمی تخیلی به نظر می رسند پیوند خورده است. حقیقت این است که یادگیری ماشین یک مجموعه بسیار کاربردی و کاربردی از تکنیکهایی است که قطعا کاربرد خاصی در کسب و کار شما نیز دارد.یکی از آخزین دستاوردهای یادگیزی ماشین را در این خبر علمی بخوانید.

یادگیری ماشین چیست؟

تعریف عمومی از یادگیری ماشین آن است که توسط دانشمند کامپیوتر آرتور ساموئل در سال ۱۹۵۹ داده شده است:

یک رشته علمی است که به کامپیوترها قابلیت یادگیری می دهد بدون آنکه مشخصا برای آن کار برنامه ریزی شده باشند.

این یک پاسخ مفهومی ساده است، اما بطور مشخص، فرآیند “یادگیری ماشین” چیست؟ خروجی آن چیست؟ و چگونه می توان آن را به داده های شما اعمال کرد؟ در این مقاله تلاش خواهیم کرد تا به تمام این سوالات به طور ساده پاسخ دهیم، اما اولا، تعریف دقیق تر زیر را ارائه خواهیم کرد:

یادگیری ماشین فرآیند استفاده از داده ها است که به طور خودکار یک مدل می سازد ، که به عنوان ورودی از مجموعه ای از ویژگی های شناخته شده استفاده می کند و به عنوان خروجی چیزی به عنوان پیش بینی ارائه می دهد.

برخی اصطلاحات

مدل

خروجی تکنیک یادگیری ماشین، یک مدل است. مدل ها اشکال مختلف می گیرند و انواع مختلف مدل ها در انواع مختلفی از مشکلات کاربرد دارند، اما به طور کلی یک مدل یک تابع ریاضی است که تعدادی از ورودی ها را می گیرد و پیش بینی برخی از مقادیر را ارانه می دهد که برای اندازه گیری به آسانی قابل دسترس نیستند. حال چند نمونه از مدل ها را معرفی می کنیم:

یک معادله که به عنوان ورودی ویژگی های مختلف یک متقاضی وام (مثلا درآمد، بدهی های برجسته، مبلغ درخواست شده و غیره) را در نظر می گیرد و به عنوان یک خروجی اطمینان می دهد که وام دهنده به صورت پیش فرض وام را خواهد داد.

معادله ای که به عنوان ورودی مقدار رنگ پیکسل های یک عکس را می گیرد و به عنوان خروجی شناسایی شیء موجود در عکس را می دهد.

معادله ای که به عنوان ورودی وضعیت کنونی هیئت مدیره Go را می دهد و به عنوان خروجی نشانگر حرکتی است که بهترین شانس برنده شدن در بازی را به ارمغان می آورد.

بدیهی است که این معادلات به نظر بسیار متفاوت هستند و در مقالات بعدی در مورد برخی از انواع مختلف مدل های یادگیری ماشین صحبت خواهیم کرد. یادگیری ماشین فرآیند استفاده از داده ها برای ساختن مدل به طور خودکار است.

ویژگی ها

ویژگی های ورودی مدل ماشین آموخته شده :

آنها هر قطعه ای از اطلاعات هستند که ممکن است برای پیش بینی مفید باشند. در مثال بالا، پیش بینی پیش فرض وام، درآمد، بدهی های بزرگ، مبلغ درخواست شده، همه ویژگی ها هستند. ممکن است بسیاری از ویژگی های دیگر وجود داشته باشد که می تواند مفید باشد و بعضی از آنها ممکن است ترکیبی از ویژگی های دیگر باشد؛ برای مثال، نسبت درآمد به بدهی، یا امتیاز اعتباری (که البته خروجی یک مدل متفاوت از جمله بسیاری از این ویژگی های مشابه است)

بیش برازش overfitting

برازش مدل شما به نوفه های تصادفی در مجموعه داده های شماست. معمولا نتیجه یک مدل پیچیده؛ پیچیده خواهد شد؛ برای مثال، داشتن پارامترهای ورودی بیش از حد نسبت به تعداد مشاهدات نسبتا کم. چندین تکنیک برای جلوگیری از بیش برازش overfitting وجود دارد؛ یکی از روش های معمول برای این کار cross validation اعتبار سنجی متقابل است که در آن یک دوره جریمه های اضافی برای دادن اولویت به مدل هایی که از پارامترهای کمتری استفاده می کنند، گنجانده شده است.

طبقه بندی مشکلات یادگیری ماشین

سه طبقه بندی اصلی از وظایف یادگیری ماشین وجود دارد:

یادگیری تحت نظارت: مدل با استفاده از یک مجموعه شناخته شده “داده های آموزشی” ساخته شده است که شامل تمام ویژگی ها و همچنین مقادیر شناخته شده (“برچسب ها”) خروجی است که ما در حال تلاش برای مدل سازی آن هستیم. هدف از تکنیک های یادگیری تحت نظارت، رسیدن به یک مدل است که ویژگی های ورودی را برحسب برچسب ها نشان می دهد.
یادگیری بدون نظارت: خروجی این الگوریتم یادگیری، برچسب ها نیستند؛ هدف این روش کشف ساختار ناشناخته مانند خوشه ها clutsters و یا الگوهای دیگر است.
یادگیری تقویتی: الگوریتم پاداش و مجازات را بر اساس موفقیت آن در دستیابی به یک هدف خاص به ارمغان می آورد – به عنوان مثال، یک الگوریتم Go برای تغییرات در یک مدل که باعث افزایش نسبت زمان برنده شدن مدل و مجازات برای تغییراتی که قصد کاهش آن را دارد.این الگوریتم قصد دارد پاداش را به حداکثر و مجازات را به حداقل برساند.

وظایف همچنین می تواند بر اساس خروجی مورد نظر از مدل یادگیری طبقه بندی شود. سه تا از رایج ترین ها عبارتند از:

طبقه بندی: داده ها به دو یا چند کلاس یا “برچسب ها” تقسیم می شوند (مثلا “hotdog” در مقابل “not hotdog “) و هدف عمل یادگیری این است که یک مدل تولید کند که ورودی ها را به یکی یا بیشتر از این برچسبها اختصاص دهد.

رگرسیون: خروجی یک عدد پیوسته (به عنوان مثال قیمت کالای خاص، تولید یک چاه نفت ثابت شده) به جای طبقه بندی گسسته است، و همچنین فراهم سازی مدل و برآورد خروجی هدف.

خوشه بندي: آنالوگ بدون نظارت برای طبقه بندي؛ ورودی ها باید به گروه ها تقسیم شوند، اما قبل از ساخت مدل، گروه ها شناخته نمی شوند.مثال کاربرد: پیش بینی قیمت خانه

منبع

آشنایی با الگوریتم های ضروری یادگیری ماشین

داده ها در اعماق زندگی روزانه ما ریشه دوانده اند، از خرید روزانه تا انتخاب مدرسه و پزشک و مسافرت های ما امروزه داده محور شده اند. این امر نیاز به الگوریتم ها و روشهای هوشمند پردازش داده و یادگیری ماشین را صد چندان کرده است .

انواع الگوریتم های یادگیری ماشین

سه نوع اصلی الگوریتم های یادگیری ماشین از قرار زیرند :

یادگیری نظارت شده (هدایت شده – Supervised Learning) : در این نوع از الگوریتم ها که بار اصلی یادگیری ماشین را بر دوش می کشند (از لحاظ تعداد الگوریتم های این نوع)، با دو نوع از متغیرها سروکار داریم . نوع اول که متغیرهای مستقل نامیده میشوند، یک یا چند متغیر هستند که قرار است بر اساس مقادیر آنها، یک متغیر دیگر را پیش بینی کنیم. مثلا سن مشتری و تحصیلات و میزان درآمد و وضعیت تاهل برای پیش بینی خرید یک کالا توسط یک مشتری ، متغیرهای مستقل هستند. نوع دوم هم متغیرهای وابسته یا هدف یا خروجی هستند و قرار است مقادیر آنها را به کمک این الگوریتم ها پیش بینی کنیم . برای این منظور باید تابعی ایجاد کنیم که ورودیها (متغیرهای مستقل) را گرفته و خروجی موردنظر (متغیر وابسته یا هدف) را تولید کند.
فرآیند یافتن این تابع که در حقیقت کشف رابطه ای بین متغیرهای مستقل و متغیرهای وابسته است را فرآیند آموزش (Training Process) می گوئیم که روی داده های موجود (داده هایی که هم متغیرهای مستقل و هم متغیرهای وابسته آنها معلوم هستند مثلا خریدهای گذشته مشتریان یک فروشگاه) اعمال میشود و تا رسیدن به دقت لازم ادامه می یابد. نمونه هایی از این الگوریتم ها عبارتند از رگرسیون، درختهای تصمیم ، جنگل های تصادفی، N نزدیک ترین همسایه، و رگرسیون لجستیک.
یادگیری بدون ناظر (unsupervised learning) : در این نوع از الگوریتم ها ، متغیر هدف نداریم و خروجی الگوریتم، نامشخص است. بهترین مثالی که برای این نوع از الگوریتم ها می توان زد، گروه بندی خودکار (خوشه بندی) یک جمعیت است مثلاً با داشتن اطلاعات شخصی و خریدهای مشتریان، به صورت خودکار آنها را به گروه های همسان و هم ارز تقسیم کنیم . الگوریتم Apriori و K-Means از این دسته هستند.
یادگیری تقویت شونده (Reinforcement Learning) : نوع سوم از الگوریتم ها که شاید بتوان آنها را در زمره الگوریتم های بدون ناظر هم دسته بندی کرد ، دسته ای هستند که از آنها با نام یادگیری تقویت شونده یاد میشود. در این نوع از الگوریتم ها، یک ماشین (در حقیقت برنامه کنترل کننده آن)، برای گرفتن یک تصمیم خاص ، آموزش داده می شود و ماشین بر اساس موقعیت فعلی (مجموعه متغیرهای موجود) و اکشن های مجاز (مثلا حرکت به جلو ، حرکت به عقب و …) ، یک تصمیم را می گیرد که در دفعات اول، این تصمیم می تواند کاملاً تصادفی باشد و به ازای هر اکشن یا رفتاری که بروز می دهد، سیستم یک فیدبک یا بازخورد یا امتیاز به او میدهد و از روی این فیدبک، ماشین متوجه میشود که تصمیم درست را اتخاذ کرده است یا نه که در دفعات بعد در آن موقعیت ، همان اکشن را تکرار کند یا اکشن و رفتار دیگری را امتحان کند.
با توجه به وابسته بودن حالت و رفتار فعلی به حالات و رفتارهای قبلی، فرآیند تصمیم گیری مارکوف ، یکی از مثالهای این گروه از الگوریتم ها می تواند باشد . الگوریتم های شبکه های عصبی هم می توانند ازین دسته به حساب آیند. منظور از کلمه تقویت شونده در نام گذاری این الگوریتم ها هم اشاره به مرحله فیدبک و بازخورد است که باعث تقویت و بهبود عملکرد برنامه و الگوریتم می شود

الگوریتم های اصلی و رایج یادگیری ماشین

رگرسیون خطی
رگرسیون لجستیک
درخت تصمیم
SVM
Naive Bayes
KNN
K-Means
جنگل تصادفی
الگوریتم های کاهش ابعاد
Gradient Boost & Ada Boost

منبع

یادگیری ماشین قسمت 1
یادگیری ماشین قسمت 2
یادگیری ماشین قسمت 3

اکتبر 15, 2019/0 دیدگاه /توسط hgadmin

یادگیری ماشین قسمت 2

بینایی ماشین (Machine Vision) و بینایی کامپیوتر

ارتباط یادگیری ماشین با آمار

یادگیری ماشین و آمار رشته های نزدیکی هستند. طبق نظر مایکل. ال. جردن (Micheal l. Jordan) ایده های یادگیری ماشین، از اصول متدلوژی گرفته تا ابزار نظری، پیشینه ای طولانی در آمار دارند. او همچنین عبارت علم داده ها را برای نام گذاری کل این رشته پیشنهاد کرد.

لئو بریمن (Leo Breiman) دو پارادایم آماری را مطرح ساخت: مدل داده و مدل الگوریتمیک، که مدل “الگوریتمیک” کما بیش به معنای الگوریتم های یادگیری ماشین مثل جنگل تصادفی است.

برخی آماردانان با استفاده از روش های یادگیری ماشین، گرایشی ساخته اند که آن را یادگیری آماری می نامند.

تئوری یادگیری ماشین

یک هدف اساسی ماشین یادگیرنده، تعمیم دهی از تجربه است. منظور از تعمیم دهی در این چهارچوب، توانایی یک ماشین یادگیرنده در داشتن عملکردی دقیق در فعالیت ها و مثال های جدید و دیده نشده، بر مبنای تجربه آن ماشین با مجموعه داده های آموزش است. مثال های آموزشی از یک توزیعِ عموماً ناشناخته می آیند (که به عنوان نماینده فضای رخدادها در نظر گرفته می شود) و یادگیرنده باید برای این فضا مدلی عمومی تولید کندکه به آن، توانایی پیش بینیِ بقدر کافی دقیق در موارد جدید را بدهد.

تحلیل محاسباتی الگوریتم های یادگیری ماشین و عملکرد آن ها شاخه ای از علوم کامپیوتر نظری تحت عنوان نظریه یادگیری محاسباتی را تشکیل می دهد. چون مجموعه های داده های آموزشی، متناهی هستند و آینده قطعیت ندارد، نظریه یادگیری معمولا تضمینی در مورد عملکرد الگوریتم ها به ما نمی دهد. در عوض، کران های احتمالاتی روی عملکرد، بسیار معمول هستند. تجزیه اُریب-واریانس (bias-variance decomposition) راهی برای کمّی سازی خطای تعمیم دهی است.

برای داشتن بهترین عملکرد در چهارچوب تعمیم دهی، پیچیدگی فرض باید به اندازه پیچیدگی تابع زمینه داده ها باشد. اگر فرض پیچیدگی کمتری از تابع داشته باشد، آنگاه مدل، داده ها را زیربرازش (underfit) کرده است. اگر در پاسخ، پیچیدگی مدل افزایش یابد، آنگاه خطای آموزش کاهش می یابد. اما اگر فرض بسیار پیچیده باشد، مدل در معرض بیش برازش (overfit)قرار می گیرد و تعمیم دهی ضعیف می شود.

علاوه بر کران های عملکردی، نظریه پردازان یادگیری محاسباتی، پیچیدگی زمانی و امکان پذیری یادگیری را نیز مطالعه می کنند. در نظریه یادگیری محاسباتی، یک محاسبه را امکان پذیر نامند هرگاه در زمان چند جمله ای قابل انجام باشد. دو نوع نتیجه از نظر پیچیدگی زمانی وجود دارد: نتایج مثبت حاکی از آن هستند که طبقه خاصی از توابع در زمان چند جمله ای قابل یادگیری هستند و نتایج منفی نشانگر این هستند که طبقه های خاصی در زمان چند جمله ای قابل یادگیری نیستند.

روش های یادگیری ماشین

یادگیری درخت تصمیم یا Decision tree learning

روش یادگیری درخت تصمیم از یک درخت تصمیم به عنوان مدل پیشگو استفاده می کند که مشاهدات در مورد یک شیء را به نتایجی در مورد ارزش هدف این شی می نگارد.

یادگیری قانون وابستگی

یادگیری قانون وابستگی روشی برای کشف روابط جالب توجه میان متغیرها در پایگاه های بزرگ داده است.

شبکه های عصبی مصنوعی

یک الگوریتم شبکه عصبی مصنوعی (ANN)، که معمولا “شبکه عصبی” (NN) نامیده می شود، الگوریتمی است که از ساختار و جنبه های عملکردی شبکه های عصبی بیولوژیکی الهام گرفته شده است. در این شبکه، محاسبات در قالب گروه های متصلی از نورون های مصنوعی، ساختار می یابند و اطلاعات را با یک روش پیوندگرایی به محاسبات، پردازش می کند. شبکه های عصبی مدرن، ابزارهای مدل سازی غیر خطی داده های آماری هستند. این شبکه ها معمولا برای مدل سازی روابط پیچیده بین ورودی ها و خروجی ها، الگو شناسی در داده ها، یا دریافت ساختار آماری در یک توزیع توئم احتمال میان متغیر های مشاهده شده استفاده می شوند.

یادگیری عمیق

کاهش قیمت سخت افزار و تولید GPU برای مصرف شخصی در سال های اخیر به توسعه مفهوم یادگیری عمیق که از چندین لایه پنهان در یک شبکه عصبی مصنوعی تشکیل می شود، کمک کرده است. این روش سعی دارد راهی را که با آن، مغز انسان، نور و صوت را به بینایی و شنوایی پردازش می کند، مدل سازی نماید. برخی از کاربردهای موفق یادگیری عمیق، بینایی ماشین و شناسایی گفتار است.

برنامه نویسی منطقی استقرایی

برنامه نویسی منطقی استقرایی (ILP) روشی برای هدایت یادگیری با استفاده از برنامه نویسی منطقی به عنوان نمایشی یکنواخت برای مثال ها (داده ها)ی ورودی، دانش پس زمینه و فرضیات است. با داشتن یک کدگذاری (encoding) از دانشِ معلومِ پس زمینه و مجموعه ای از مثال ها که به عنوان پایگاه داده ای از حقایق نمایش داده می شود، یک سیستم ILP برنامه ای منطقی استخراج می کند که تمام مثال های مثبت را نتیجه دهد و هیچ یک از مثال های منفی را نتیجه ندهد. برنامه نویسی استقرایی (inductive programming) شاخه ای مرتبط است که هر نوع زبان برنامه نویسی برای نمایش فرضیات را در بر می گیرد (و نه فقط برنامه نویسی منطقی)، از قبیل برنامه های تابعی.

ماشین های بُردار پشتیبانی

ماشین های بردار پشیتیبانی (SVM) مجموعه ای از روش های یادگیری نظارت شده ی مرتبطی هستند که برای طبقه بندی و رگرسیون استفاده می شوند. با داشتن مجموعه ای از مثال های آموزشی که هر کدام به عنوان عضوی از یکی از دو دسته فوق علامت گذاری شده اند، الگوریتم آموزشی SVM مدلی می سازد که پیش بینی می کند یک مثال جدید به کدام دسته تعلق خواهد گرفت.

ماشین بردار پشتیبانی، دسته ساز (طبقه سازی) است که فضای ورودی خود را به دو ناحیه تقسیم می کند، که توسط یک مرز خطی از هم جدا شده اند. در این مثال، ماشین یاد گرفته است که دایره های سفید و سیاه را از هم جدا کند.

خوشه بندی یا Clustering

تحلیل خوشه ای به معنای تخصیص مجموعه ای از مشاهدات به زیرمجموعه هایی (به نام خوشه) است بطوریکه مشاهداتِ درون یک خوشه، بنابر معیار یا معیارهایی از پیش تعیین شده، شبیه باشند و مشاهداتی که در خوشه های مختلف قرار دارند، بی شباهت باشند. تکنیک های خوشه بندی متفاوت، روی ساختار داده ها فرضیات متفاوتی دارند، که اغلب توسط یک متریک تشابه تعریف می شوند و، به عنوان مثال، توسط فشردگی درونی (تشابه بین اعضای درون یک خوشه) و جدایی بین خوشه های مختلف ارزیابی می شوند. روش های دیگر مبتنی بر چگالی تخمینی و همبندی گراف می باشند. خوشه بندی یک روش یادگیری بی نظارت، و تکنیکی متداول برای تحلیل داده های آماری است.

شبکه های بِیزی یا Bayesian networks

شبکه بیزی، شبکه باور (belief network) یا مدل گراف جهتدار غیرمدور، یک مدل گرافی احتمالاتی است که مجموعه متغیرهای تصادفی و استقلال شرطی آن ها را توسط یک گراف جهتدار غیرمدور (DAG) نمایش می دهد. برای مثال، شبکه بیزی می تواند ارتباط های احتمالاتی میان بیماری ها و علائم بیماری را نمایش دهد. با داشتن علائم، شبکه می تواند احتمال وجود بیماری های مختلف را محاسبه کند. الگوریتم های اثربخشی وجود دارند که استنباط و یادگیری را انجام می دهند.

یادگیری تقویتی

تمرکز روش یادگیری تقویتی بر این است که یک عامل چگونه باید در یک محیط عمل کند تا نوعی پاداش بلند مدت را بیشینه کند. الگوریتم های یادگیری تقویتی سعی دارند قاعده ای پیدا کنند که وضعیت های جهان را به عمل هایی که عامل باید در این وضعیت ها انجام دهد، تصویر کند. تفاوت یادگیری تقویتی با یادگیری نظارت شده در این است که جفت های صحیح وردودی/خروجی هرگز ارائه نمی شوند و نیز فعالیت های زیر-بهین (sub-optimal) نیز صریحاً اصلاح نمی شوند.

یادگیری نمایش یا Representation learning

هدف برخی الگوریتم های یادگیری، عمدتاً الگورییم های یادگیری بدون نظارت، این است که نمایش بهتری برای ورودی های ارائه شده در آموزش پیدا کنند. مثال های کلاسیک در این زمینه، تحلیل مولفه های اصلی و تحلیل خوشه ای هستند. الگوریتم های یادگیری نمایش اغلب سعی در حفظ اطلاعات در ورودی ها دارند اما می خواهند آن را به شکلی تبدیل کنند که ورودی سودمند شود، که اغلب این عمل در مرحله پیش پردازش قبل از طبقه بندی یا پیش بینی انجام می شود، و امکان بازسازی ورودی ها را که از یک توزیعِ ناشناختهِ مولدِ داده می آیند فراهم می کند، در حالیکه لزوماً به ویژگی هایی که تحت این توزیع نامحتمل هستند، وفادار نمی ماند.

الگوریتم های یادگیری منیفلد (Manifold learning) سعی دارند همین کار را با این محدودیت که نمایش یادگیری شده بُعد پایینی دارد، انجام دهند. الگوریتم های کدگذاری تُنُک سعی دارند همین کار را با این محدودیت که نمایش یادگیری شده تنک است (یعنی صفرهای زیادی دارد)، انجام دهند. الگوریتم های یادگیری زیرفضای چندخطی سعی دارند نمایش های با بُعد پایین را مستقیماً از نمایش های تانسوری داده های چند بعدی، بدون دادن شکل بُرداری (بعد بالا) به آن ها، یادگیری کنند.

الگوریتم های یادگیری عمیق، چندین سطح نمایش، یا سلسله ای از ویژگی ها را کشف می کنند، که ویژگی های سطح بالاتر و انتزاعی تر، بر حسب ویژگی های سطح پایین تر تعریف شده اند (یا آن ها را تولید می کنند). استدلال شده است که یک ماشین هوشمند ماشینی است که نمایشی را یاد می گیرد که فاکتورهای اساسی تغییرات را که داده های مشاهده شده را توضیح می دهند، تمییز دهد.

یادگیری تشابه و متریک

در این مسئله، به ماشین یادگیرنده جفت های مثالی که مشابه در نظر گرفته شده اند، و جفت هایی که تشابه کمتری دارند، داده می شود. سپس ماشین باید یک تابع تشابه (یا یک تابع فاصله متریک) را یاد بگیرد که پیش بینی کند آیا اشیاء جدید شبیه هستند یا خیر. این روش برخی اوقات در سیستم های توصیه گر استفاده می شود.

یادگیری دیکشنری تُنُک یا Sparse dictionary learning

در این روش، یک داده به شکل ترکیبی خطی از توابع پایه ای نمایش داده می شود، و فرض می شود که ضرایب این ترکیب تنک هستند. فرض کنید که x یک داده d بُعدی و D یک ماتریس d در n باشد که هر ستون آن نمایشگر یک تابع پایه ای است. r ضریب نمایش x با استفاده از D است. از نظر ریاضی، یادگیری دیکشنری تنک به معنی حل دستگاه x ≈ Dr است که در آن r تنک است. بطور کلی n از d بزرگ تر فرض می شود تا آزادی برای نمایش تنک فراهم شود.

یادگیری دیکشنری با نمایش های تُنُک “ان-پی کاملِ قوی” (strongly NP-hard) است و حل تقریبی آن هم دشوار است. یک روش ابتکاری محبوب برای یادگیری دیکشنری تنک K-SVD است.

یادگیری دیکشنری تنک در چندین چهارچوب مورد استفاده قرار گرفته است. در طبقه بندی، مسئله، تعیین کلاسی است که داده ای که قبلا ناشناخته بوده، به آن تعلق دارد. فرض کنید که قبلاً یک دیشکنری برای هر کلاس ساخته شده است. آنگاه یک داده جدید به کلاسی مرتبط می شود که دیکشنری آن کلاس بهترین نمایش تنک برای آن داده را بدست دهد. یادگیری دیکشنری تنک در کاهش نویز تصویر نیز استفاده شده است. ایده کلیدی این است که یک تصویر “تمیز” را می توان به شکل تنک توسط یک دیکشنریِ تصویر نمایش داد، اما نویز را نمی توان.

الگوریتم های ژنتیک

یک الگوریتم ژنتیک (GA)، الگورریتم جستجوی ابتکاری است که از فرایند انتخاب طبیعی تقلید می کند، و به امید یافتن پاسخ های مناسب به یک مسئله، ازروش های مثل جهش (mutation) و دوتیرگی (crossover) برای تولید کروموزوم جدید، استفاده می کند. در یادگیری ماشین، الگوریتم های ژنتیک در دهه های 1980 و 1990 کاربرد یافتند. برعکس، تکنیک های یادگیری ماشین نیز برای بهبود عملکرد الگوریتم های تکاملی و ژنتیک مورد استفاده قرار گرفته اند.

یادگیری ماشین قانون-محور

یادگیری ماشین قانون-محور عبارتی کلی برای هر نوع روش یادگیری ماشینی است که برای ذخیره، کنترل یا استفاده از دانش، “قوانینی” را شناسایی، یادگیری یا استنتاج می کند. ویژگی مشخصه یک ماشین یادگیرنده قانون-محور، شناسایی و استفاده از مجموعه ای از قوانین است که بطور جمعی، نمایشگر دانش فراگرفته شده توسط سیستم هستند. این روش، با سایر یادگیرنده های ماشینی که عموماً یک مدل واحد را در تمام موارد برای پیشگویی می شناسند، در تمایز است. روش های یادگیری ماشین قانون-محور شامل سیستم های طبقه ساز یادگیرنده، یادگیری قانون وابستگی و سیستم های ایمنی مصنوعی هستند.

سیستم های طبقه ساز یادگیرنده Learning classifier systems

سیستم های طبقه ساز یادگیرنده یا به عبارتی طبقه بندی کننده ی یادگیرنده (LCS)، خانواده ای از الگوریتم های قانون-محور یادگیری ماشین هستند که یک مولفه اکتشاف (مثلاً بطور معمول یک الگوریتم ژنتیک) را یا یک مولفه یادگیرنده (که یادگیری نظارتی، یادگیری تقویتی یا یادگیری بی نظارت را انجام می دهد) ترکیب می کنند. هدف این سیستم ها شناسایی مجموعه ای از قوانین وابسته به موضوع است که بطور جمعی، دانش را ذخیره و برای پیش بینی ها آن را به شکلی چند ضابطه ای استفاده می کنند.

کاربردهای یادگیری ماشین

کاربردهای یادگیری ماشین شامل موارد زیر است:

اثبات قضیه بطور خودکار
وبسایت های تطبیقی
هوش مصنوعی احساسی
بیوانفوماتیک
واسط مغز و رایانه
شیمی‌ انفورماتیک
طبقه بندی رشته های DNA
آناتومی محاسباتی
بینایی ماشین، از جمله شناسایی اشیاء
شناسایی کارت اعتباری جعلی
بازی عمومی (general game playing)
بازیابی اطلاعات
شناسایی کلاه برداری های اینترنتی
زبان شناسی
بازاریابی
کنترل یادگیری ماشین
ادراک ماشین
تشخیص پژشکی
اقتصاد
بیمه
پردازش زبان طبیعی
استنباط زبان طبیعی
بهینه سازی و الگوریتم های فرا ابتکاری
تبلیغات آنلاین
سیستم های توصیه گر
حرکت ربات
موتورهای جستجو
تحلیل احساسات (یا نظر کاوی)
مهندسی نرم افزار
شناسایی گفتار و دست نوشته
تحلیل بازارهای مالی
نظارت بر درستی ساحتار
الگوشناسی ترکیبی
پیش بینی سری های زمانی
تحلیل رفتار کاربر
ترجمه

در سال 2006 کمپانی فیلم سازی آنلاین نتفلیکس اولین رقابت “جایزه نتفلیکس” را برگزار کرد تا برنامه ای پیدا کند که پیش بینی بهتری از تمایلات کاربر داشته و دقت الگوریتم فعلی توصیه فیلم (Cinematch) خود را لااقل 10% بهبود بخشد. گروهی متشکل از محققان بخش تحقیق و آزمایشگاه AT&T به همراه تیم های Big Chaos و Pragmatic Theory یک مدل چندگانه (ensemble model) ساختند که برنده جایزه 1 میلیون دلاری سال 2009 شد.

اندکی بعد از اهدای جایزه، نتفلیکس متوجه شد که امتیازدهی بینندگان، بهترین شاخص برای الگوی تماشای آن ها نیست (“همه چیز یک توصیه است”) و بنابراین موتو توصیه گر خود را تغییر دادند.

در سال 2010 وال استریت ژورنال مقاله ای راجع به شرکت Rebellion Research و استفاده آن ها از یادگیری ماشین برای پیش بینی بحران مالی نوشت.

در سال 2012، وینود کسلا (Vinod Khosla) یکی از موسسین سان مایکروسیستمز (Sun Microsystems)، پیش بینی کرد که در دو دهه آینده بیش از 80% از فرصت های شغلی پزشکی توسط نرم افزارهای تشخیص پزشکی یادگیری ماشین از بین خواهد رفت.

در سال 2014، گزارش شد که یک الگوریتم یادگیری ماشین در مطالعه تاریخ هنر استفاده شد تا نقاشی های هنرهای زیبا را بررسی کند، و نیز گزارش شد که این الگوریتم ممکن است تاثیرگذاری هایی را میان هنرمندان نشان داده باشد که قبلا شناخته شده نبوده است.

ارزیابی مدل

مدل های یادگیری ماشین طبقه بندی را می توان با تکنیک های تخمین دقت مثل روش هولد اوت (holdout) که داده ها را به یک مجموعه آموزش و یک مجموعه آزمایش تقسیم می کند (معمولا دو-سوم داده ها در مجموعه آموزش و یک-سوم را در مجموعه آزمایش قرار می گیرند) و عملکرد مدل تحت آموزش را روی مجموعه آزمایش ارزیابی می کند، راستی آزمایی نمود. در مقایسه، روش تصدیق متقاطع N تایی (N-fold cross validation) بطور تصادفی داده ها را به k زیرمجموعه تقسیم می کند که k-1 مورد از داده ها برای آموزش مدل استفاده می شود و k-اُمین مورد برای آزمایش توانایی پیشگویی مدل استفاده می شود. علاوه بر روش های holdout و تصدیق متقاطع، راه اندازی خودکار (booststrap) که n مورد را، با جایگذاری، از مجموعه داده ها نمونه گیری می کند، می تواند برای ارزیابی دقیق مدل استفاه شود.

محققان علاوه بر دقت کلی، اغلب حساسیت و ویژگی را، که به ترتیب به معنای نسبت مثبت واقعی (TPR) و نسبت منفی واقعی (TNP) هستند، گزارش می کنند. بطور مشابه، محققین برخی اوقات نسبت مثبت کاذب (FPR) و نسبت منفی کاذب (FNR) را نیز گزارش می کنند. با این حال، این ها نسبت هایی هستند که صورت و مخرج خود را نشان نمی دهند. مشخصه عملگری کل (TOC) روشی موثر جهت بیان توانایی تشخیص یک مدل است. TOC صورت و مخرج نسبت های فوق را نمایش می دهد، لذا اطلاعات بیشتری از منحنی های معمول مشخصه عملیاتی سیستم (ROC) و مساحت زیر این منحنی (AUC) بدست می دهد.

مسائل اخلاقی

یادگیری ماشین پرسش های اخلاقی متعددی را بوجود می آورد. سیستم های آموزش دیده روی مجموعه های داده های اُریب یا بایاس (bias) ، ممکن است این اریبی ها را هنگام استفاده نمایش دهند، لذا تبعیضات فرهنگی را دیجیتالی کنند. بنابراین جمع آوری مسئولانه داده ها بخش مهمی از یادگیری ماشین است.

چون زبان دارای اریبی است، ماشین هایی که روی پیکره های زبان (language coropa) آموزش داده شده اند لزوماً اریبی را نیز یاد می گیرند.

نرم افزارها

برخی بسته های نرم افزاری که الگوریتم های یادگیری ماشین متنوعی دارند به شرح زیر هستند:

نرم فزار های رایگان و متن باز:

CNTK
Deeplearning4j
dlib
ELKI
GNU Octave
H2O
Mahout
Mallet
MEPX
mlpy
MLPACK
MOA (Massive Online Analysis)
MXNet

ND4J: ND arrays for Java

NuPIC
OpenAI Gym
OpenAI Universe
OpenNN
Orange
R
scikit-learn
Shogun
TensorFlow
Torch
Yooreeka
Weka

نرم افزارهای مالکیتی با ویرایش های رایگان و متن باز:

KNIME
RapidMiner

نرم افزار های مالکیتی:

Amazon Machine Learning
Angoss KnowledgeSTUDIO
Ayasdi
IBM Data Science Experience
Google Prediction API
IBM SPSS Modeler
KXEN Modeler
LIONsolver
Mathematica
MATLAB

Microsoft Azure Machine Learning

Neural Designer
NeuroSolutions
Oracle Data Mining
RCASE
SAP Leonardo
SAS Enterprise Miner
SequenceL
Skymind
Splunk
STATISTICA Data Miner

ژورنال ها

Journal of Machine Learning Research
Machine Learning
Neural Computation
منبع

یادگیری ماشین قسمت 1
یادگیری ماشین قسمت 2
یادگیری ماشین قسمت 3

اکتبر 15, 2019/0 دیدگاه /توسط daliri