به گزارش اپ خونه، ماکس باجراچاریا در مورد آزمایش‌ها و مصیبت‌های گروه و اینکه چرا گاهی پیشرفت مستلزم تکرار اشتباهات سلف شماست صحبت می‌کند.

موسسه تحقیقاتی تویوتا درهای دفاتر منطقه خلیج خود را برای اولین بار به روی اهالی رسانه باز کرد. این روز پر از دمو بود، از شبیه سازهای رانندگی و مربیان رانش تا مکالمات پیرامون یادگیری ماشینی و پایداری را شامل می شد.

روباتیک، که مدت‌ها مورد توجه بخش تحقیقاتی تویوتا بود، نیز به نمایش گذاشته شد. SVP Max Bajracharya یک جفت پروژه را به نمایش گذاشت. اول چیز بیشتر در امتداد آن چیزی بود که از تویوتا انتظار می رفت:

یک بازوی صنعتی با یک گیره اصلاح شده که برای کار بسیار پیچیده جابجایی جعبه ها از پشت کامیون به تسمه های نقاله مجاور طراحی شده است – چیزی که اکثر کارخانه ها امیدوارند در آن به صورت خودکار عمل کنند.

مورد دیگر کمی شگفت‌انگیزتر است – حداقل برای کسانی که کار این بخش را از نزدیک دنبال نکرده‌اند. یک ربات خرید محصولات مختلف را بر اساس بارکدها و مکان عمومی در قفسه بازیابی می کند.

این سیستم قادر است قبل از تعیین بهترین روش برای گرفتن طیف وسیعی از اشیاء مختلف و انداختن آنها در سبد خود، تا قفسه بالایی گسترش یابد تا موارد را پیدا کند.

این سیستم نتیجه مستقیم تمرکز تیم رباتیک ۵۰ نفره بر مراقبت از سالمندان است که هدف آن رسیدگی به جمعیت سالخورده ژاپن است.

با این حال، این نشان‌دهنده فاصله‌ای از کار اصلی آن‌ها در ساخت ربات‌هایی است که برای انجام کارهای خانگی مانند ظرف‌شویی و آماده‌سازی غذا طراحی شده‌اند.

 من امیدوار بودم که یک نسخه آزمایشی از ربات خانگی دریافت کنم.

مکس باجراچاریا: ما هنوز در حال انجام برخی از کارهای ربات خانگی هستیم[…] کاری که انجام داده‌ایم تغییر کرده است. خانه یکی از وظایف چالش اصلی ما بود.

مراقبت از سالمندان اولین رکن بود.

کاملا. یکی از چیزهایی که در آن فرآیند یاد گرفتیم این است که نتوانستیم پیشرفت خود را به خوبی اندازه گیری کنیم. خونه خیلی سخته ما وظایف چالشی را انتخاب می کنیم زیرا آنها سخت هستند.

مشکل خانه این نیست که خیلی سخت بود. این بود که اندازه گیری پیشرفتی که داشتیم خیلی سخت بود. ما خیلی چیزها را امتحان کردیم. ما سعی کردیم از نظر رویه ای آشفتگی ایجاد کنیم.

روی میزها آرد و برنج می ریختیم و سعی می کردیم آنها را پاک کنیم. وسایلی را در سرتاسر خانه قرار می‌دادیم تا با ربات مرتب شود.

ما در Airbnbs مستقر می شدیم تا ببینیم چقدر خوب کار می کنیم، اما مشکل این است که هر بار نمی توانستیم به همان خانه برسیم. اما اگر این کار را می‌کردیم، به آن خانه اضافه می‌شدیم.

آیا این ایده آل نیست که شما هر بار به همان خانه نمی رسید؟

دقیقاً، اما مشکل این است که ما نمی‌توانستیم اندازه‌گیری کنیم که چقدر خوب کار می‌کنیم.

فرض کنید ما در مرتب کردن این خانه کمی بهتر بودیم، نمی‌دانیم این به این دلیل است که توانایی‌های ما بهتر شده است یا آن خانه کمی راحت‌تر بود. ما استاندارد را انجام می دادیم.

نمی دانستیم پیشرفت خوبی داریم یا نه. وظیفه چالش خواربار فروشی که گفتیم، ما به محیطی نیاز داریم که در آن به اندازه یک خانه سخت باشد یا مشکلات نمایندگی مشابه خانه را داشته باشد، اما بتوانیم میزان پیشرفت خود را اندازه گیری کنیم.

شما در مورد اهداف خاصی برای خانه یا سوپرمارکت صحبت نمی کنید، بلکه در مورد حل مشکلاتی صحبت می کنید که می تواند هر دو مکان را در بر بگیرد.

یا حتی فقط اندازه گیری کنید که آیا ما در حال پیشبرد وضعیت هنر در رباتیک هستیم. آیا ما قادر به انجام ادراک، برنامه ریزی حرکت، رفتارهایی هستیم که در واقع هدف کلی هستند؟

صادقانه بگویم، مشکل چالش به نوعی مهم نیست. چالش‌های رباتیک دارپا، آن‌ها فقط کارهای ساختگی بودند که سخت بودند. این در مورد وظایف چالشی ما نیز صادق است.

ما خانه را دوست داریم زیرا نمایانگر جایی است که ما در نهایت می خواهیم به مردم در خانه کمک کنیم. اما نباید خانه باشد. بازار خواربارفروشی نماینده بسیار خوبی است زیرا تنوع بسیار زیادی دارد.

هر چند یک ناامیدی وجود دارد. ما می دانیم که این چالش ها چقدر دشوار هستند و کارها چقدر دور از دسترس هستند، اما یک فرد تصادفی ویدیوی شما را می بیند و ناگهان چیزی در افق است، حتی اگر نمی توانید آن را ارائه دهید.

کاملا. به همین دلیل است که گیل [پرات] هر بار می‌گوید، “تاکید مجدد کنید که چرا این یک کار چالشی است.”

چگونه آن را به افراد عادی القا می کنید؟ افراد عادی درگیر کارهای چالشی نیستند.

دقیقاً، اما به همین دلیل است که در نمایشی که امروز دیدید، ما سعی کردیم وظایف چالشی را نشان دهیم، اما همچنین نمونه‌ای از این که چگونه قابلیت‌هایی را که از آن چالش بیرون می‌آیند، استفاده می‌کنید و آن را در یک برنامه واقعی مانند تخلیه یک کانتینر اعمال می‌کنید.

این یک مشکل واقعی است. ما به کارخانه ها رفتیم و آنها گفتند: بله، این یک مشکل است. آیا می توانید به ما کمک کنید؟ و ما گفتیم، بله، ما فناوری هایی داریم که در این مورد کاربرد دارند.

بنابراین اکنون ما در تلاشیم تا نشان دهیم که از این چالش‌ها این چند پیشرفت مهم هستند که فکر می‌کنیم مهم هستند و سپس آن‌ها را در برنامه‌های کاربردی واقعی اعمال کنیم. و من فکر می کنم که این به مردم کمک می کند تا آن را درک کنند، زیرا آنها مرحله دوم را می بینند.

تعداد تیم رباتیک چقدر است؟

این بخش حدود ۵۰ نفر است که به طور مساوی بین اینجا و کمبریج، ماساچوست تقسیم می شوند.

شما نمونه هایی مانند تسلا و فیگور دارید که سعی در ساخت ربات های انسان نما همه منظوره دارند. به نظر می رسد شما در مسیر دیگری حرکت می کنید.

کمی. چیزی که ما مشاهده کرده ایم این است که جهان برای انسان ها ساخته شده است. اگر فقط یک لوح خالی دارید، می گویید من می خواهم رباتی بسازم که در فضاهای انسانی کار کند.

شما تمایل دارید که به تناسب انسانی و توانایی های سطح انسانی پایان دهید. شما با پاها و بازوهای انسان پایان می دهید، نه به این دلیل که لزوماً این راه حل بهینه است. به این دلیل است که جهان حول محور مردم طراحی شده است.

موسسه تحقیقاتی تویوتا

چگونه نقاط عطف را اندازه گیری می کنید؟ موفقیت برای تیم شما چگونه است؟

حرکت از خانه به خواربارفروشی نمونه خوبی از آن است. ما در خانه پیشرفت می‌کردیم، اما نه به آن سرعت و نه به وضوح زمانی که به خواربارفروشی می‌رویم. وقتی به خواربارفروشی نقل مکان می کنیم، واقعاً به خوبی مشخص می شود که عملکرد شما چقدر خوب است و مشکلات واقعی سیستم شما چیست.

و سپس می توانید واقعاً روی حل آن مشکلات تمرکز کنید. هنگامی که ما از امکانات لجستیکی و تولیدی تویوتا بازدید کردیم، همه این فرصت‌ها را دیدیم که اساساً چالش با کمی تفاوت  خرید مواد غذایی هستند. در حال حاضر، قطعه به جای اینکه قطعات اقلام خواربار باشد، همه قطعات در یک مرکز توزیع هستند.

از ۱۰۰۰ نفر که می شناسید می شنوید ربات های خانگی واقعاً سخت هستند و بعد احساس می کنید دوست دارید برای خودتان تلاش کنید و بعد ، واقعاً همه اشتباهاتی را انجام می دهید که آنها مرتکب شدند.

فکر می کنم احتمالاً من هم مثل بقیه مقصرم. مثل این است که حالا پردازنده‌های گرافیکی ما بهتر شده‌اند. اوه، ما یادگیری ماشینی گرفتیم و اکنون می دانید که می توانیم این کار را انجام دهیم. اوه، باشه، شاید سخت تر از چیزی بود که فکر می کردیم.

چیزی باید در یک نقطه آن را شکل دهد.

شاید. فکر کنم خیلی طول بکشد درست مانند رانندگی خودکار، من فکر نمی کنم یک گلوله نقره ای وجود داشته باشد. فقط چیز جادویی وجود ندارد .

به همین دلیل مهم است که چنین نقشه راه با جدول‌های زمانی کوتاه‌تر داشته باشید، نقاط عطف کوتاه‌تر یا کوتاه‌تر که به شما برنده‌های کوچک‌تر می‌دهد، بنابراین می‌توانید به کار روی آن ادامه دهید تا واقعاً به آن چشم‌انداز بلندمدت دست یابید.

فرآیند تولید واقعی هر یک از این فناوری ها چیست؟

این یک سوال بسیار خوب است که ما خودمان سعی می کنیم به آن پاسخ دهیم. من معتقدم که ما اکنون به نوعی چشم انداز را درک می کنیم. شاید در ابتدا ساده‌لوح بودم و فکر می‌کردم، خوب، فقط باید این شخص را پیدا کنیم که می‌خواهیم فناوری را به شخص ثالث یا شخصی در تویوتا بسپاریم.

اما من فکر می‌کنم ما آموخته‌ایم که هر چه که باشد – چه یک واحد تجاری باشد، چه یک شرکت، یا مانند یک استارت‌آپ یا یک واحد در داخل تویوتا – به نظر نمی‌رسد که وجود داشته باشند.

بنابراین، ما در تلاش هستیم تا راهی برای خلق پیدا کنیم و فکر می‌کنم این داستان کمی مانند TRI AD است. این را برای استفاده از تحقیقات رانندگی خودکار که انجام می‌دادیم و تبدیل به چیزی واقعی‌تر شد.

ما در رباتیک و بسیاری از فناوری های پیشرفته ای که روی آنها کار می کنیم، همین مشکل را داریم.

شما به طور بالقوه به جایی فکر می کنید که بتوانید اسپین آف داشته باشید.

به طور بالقوه. اما این مکانیسم اصلی نیست که به وسیله آن فناوری را تجاری کنیم.

مکانیسم اصلی چیست؟

ما نمی دانیم. پاسخ این است که تنوع کارهایی که ما انجام می دهیم به احتمال زیاد برای گروه های مختلف متفاوت خواهد بود.

TRI از زمان تأسیسش چگونه تغییر کرده است؟

وقتی برای اولین بار شروع کردم، احساس می‌کنم که ما به وضوح در حال انجام تحقیقات در زمینه رباتیک هستیم. بخشی از آن به این دلیل است که ما از فناوری قابل استفاده برای تقریباً هر برنامه چالش برانگیز دنیای واقعی در محیط انسانی بسیار دور بودیم.

در طول پنج سال گذشته، من احساس می‌کنم که پیشرفت کافی در این مشکل چالش‌برانگیز داشته‌ایم که اکنون شاهد تبدیل آن به این برنامه‌های کاربردی در دنیای واقعی هستیم.

ما آگاهانه جابه جا شده ایم. ما هنوز ۸۰ درصد در حال پیشرفت در زمینه تحقیقات هستیم، اما اکنون شاید ۲۰ درصد از منابع خود را به این موضوع اختصاص داده‌ایم که بفهمیم آیا آن تحقیق به همان خوبی است که ما فکر می‌کنیم و آیا می‌توان آن را در واقعیت به کار برد.

در برنامه های جهانی ممکن است شکست بخوریم ممکن است متوجه شویم که فکر می‌کردیم به پیشرفت‌های جالبی دست یافته‌ایم، اما به اندازه کافی قابل اعتماد یا سریع نیست.

چگونه مراقبت از سالمندان در این مورد قرار می گیرد؟

می‌توانم بگویم، از جهاتی، هنوز هم ستاره شمالی ماست. پروژه ها هنوز به دنبال این هستند که چگونه در نهایت مردم را در خانه هایشان تقویت کنیم.

اما با گذشت زمان، همانطور که ما این وظایف چالشی را انتخاب می کنیم، اگر چیزهایی به جریان بیفتند که در این زمینه های دیگر قابل اجرا هستند، در اینجاست که از این نقاط عطف کوتاه مدت برای نشان دادن پیشرفت در تحقیقاتی که در حال انجام هستیم استفاده می کنیم.

احتمال یک فاکتور کاملاً خاموش چقدر واقعی است؟

فکر می کنم اگر بتوانید در آینده از صفر شروع کنید، ممکن است این امکان وجود داشته باشد.

اگر به تولید امروز نگاه کنم، مخصوصاً برای تویوتا، بعید به نظر می رسد که بتوانید به آن نزدیک شوید. ما [به کارگران کارخانه گفتیم]، ما در حال ساخت فناوری رباتیک هستیم، فکر می‌کنید کجا می‌تواند کاربرد داشته باشد؟

آنها بسیاری از فرآیندها را به ما نشان دادند که در آن مواردی از این قبیل بود، شما این دسته سیم را می گیرید، آن را از اینجا تغذیه می کنید، سپس آن را بیرون می آورید، سپس آن را اینجا گیره می دهید، و آن را اینجا می بندید، و آن را اینجا می برید، و شما آن را به اینجا می آورید، و سپس آن را به این صورت اجرا می کنید.

و این برای فرد پنج روز طول می کشد تا این مهارت را بیاموزد. ما می‌گفتیم، “آره، این برای فناوری رباتیک خیلی سخت است.”

اما چیزهایی که برای مردم سخت‌ترین چیزها هستند، مواردی هستند که می‌خواهید خودکار کنید.

بله، سخت یا مستعد آسیب. مطمئناً، ما می‌خواهیم پله‌هایی بسازیم تا در نهایت به آن برسیم، اما جایی که من امروز فناوری رباتیک را می‌بینم، بسیار با آن فاصله داریم.